منو سایت

  • خانه
  • اخبار استارتاپ
  • هوش مصنوعی در حال به دست آوردن قدرت دستکاری سنتز است، اما صبر کنید، این در واقع خبر خوبی است

هوش مصنوعی در حال به دست آوردن قدرت دستکاری سنتز است، اما صبر کنید، این در واقع خبر خوبی است

 تاریخ انتشار :
/
  اخبار استارتاپ
هوش مصنوعی در حال به دست آوردن قدرت دستکاری سنتز است، اما صبر کنید، این در واقع خبر خوبی است


یک تیم تحقیقاتی به هوش مصنوعی آموزش داده است که با شار مغناطیسی پلاسمای پرقدرت مورد استفاده برای تحقیقات همجوشی مبارزه کند – اما صبر کنید! EMP ها و پیچ گوشتی های خود را کنار بگذارید، این قطعا چیز خوبی است، نه یک سلاح وحشتناک برای استفاده علیه بشریت در سرقت آینده.

این پروژه یک همکاری بین DeepMind گوگل و l’École Polytechnique Fédérale de Lozanne (EPFL) است که سال ها پیش زمانی که محققان هوش مصنوعی از اولین و محققین تلفیقی از دوم در یک هکاتون لندن با یکدیگر ملاقات کردند، راه اندازی شد. فدریکو فلیچی از EPFL مشکل آزمایشگاهش را با نگهداری پلاسما در توکامک توضیح داد.

چنین شکایت روزانه! با این حال، به DeepMind برخورد کرد و هر دو دست به کار شدند.

تحقیقات سنتز به روش های مختلفی انجام می شود، اما همه آنها شامل پلاسمایی هستند که در دماهای فوق العاده بالا – صدها میلیون درجه – تشکیل شده اند. خطرناک به نظر می رسد و اینطور است، اما توکامک یکی از راه هایی است که می توان آن را تحت کنترل نگه داشت و امکان نظارت دقیق بر فرآیندهای سنتز که در داخل انجام می شود را فراهم کرد. در اصل، این کود یا دوناتی است که پلاسمای فوق گرم از طریق آن به صورت دایره ای حرکت می کند و مسیر آن به دقت توسط میدان های مغناطیسی باریک می شود.

برای روشن بودن، این یک رآکتور گرما هسته ای از آن نوع نیست که در مورد تامین انرژی پاک تقریبا نامحدود می شنوید. انرژی تولید نمی کند و اگر ناگهان شروع به کار کند، نمی خواهید جایی نزدیک آن باشید. این یک ابزار تحقیقاتی برای آزمایش و نظارت بر این است که چگونه می توان این فرآیندهای فرار اما امیدوارکننده را کنترل کرد و به خوبی مورد استفاده قرار داد.

به طور خاص، توکامک “پیکربندی متغیر” در مرکز پلاسمای سوئیس نه تنها به حفظ حلقه پلاسما اجازه می دهد، بلکه به محققان نیز اجازه می دهد تا شکل و مسیر آن را کنترل کنند. با تنظیم پارامترهای مغناطیسی هزاران بار در ثانیه، حلقه را می توان گسترده تر، نازک تر، متراکم تر یا پراکنده کرد، همه انواع عواملی که می توانند بر خواص آن تأثیر بگذارند.

تصاویری از دستگاه توکامک و مدل سه بعدی آن.

اعتبار تصویر: DeepMind & SPC / EPFL

البته، تنظیمات دقیق میدان های مغناطیسی دستگاه باید از قبل تعیین شود، زیرا هزینه بداهه سازی نادرست آسیب بالقوه جدی است. تنظیمات با استفاده از یک شبیه ساز قدرتمند توکامک و پلاسما، که تیم سال هاست آن را به روز می کند، پیکربندی شده است. اما همانطور که Felici در بیانیه EPFL توضیح داد: “محاسبات بلند مدت هنوز برای تعیین مقدار صحیح برای هر متغیر در سیستم مدیریت مورد نیاز است. پروژه تحقیقاتی مشترک ما با DeepMind از اینجا سرچشمه می گیرد.”

تیم‌ها یک سیستم یادگیری ماشینی را آموزش دادند تا ابتدا پیش‌بینی کنند که کدام مدل پلاسما مجموعه‌ای از تنظیمات را ایجاد می‌کند، سپس از مدل پلاسمایی مورد نظر برمی‌گردند و تنظیماتی را که آن را ایجاد می‌کنند شناسایی می‌کنند. (به عبارت ساده، آنقدر ساده نیست که معمولاً با برنامه های هوش مصنوعی مانند این است.)

طبق مقاله ای که امروز در مجله نیچر منتشر شد، این رویکرد موفقیت بزرگی داشته است:

این معماری همزمان با محدودیت های فیزیکی و عملیاتی، اهداف مدیریتی سطح بالا را برآورده می کند. این رویکرد دارای انعطاف‌پذیری و عمومیت بی‌سابقه‌ای در مشخصات مسئله است و منجر به کاهش قابل توجه تلاش‌های طراحی برای ایجاد پیکربندی‌های پلاسما جدید می‌شود. ما طیف متنوعی از پیکربندی‌های پلاسمای متغیر پیکربندی Tokamak را با موفقیت تولید و کنترل می‌کنیم، از جمله شکل‌های گسترده و معمولی، و همچنین پیکربندی‌های پیشرفته مانند مثلث‌های منفی و پیکربندی‌های دانه برف.

و در اینجا چند نمونه از اشکال و پیکربندی های مختلف که مدل موفق به تولید آنها شده است:

انیمیشنی که نمای مقطعی یک دستگاه توکامک با لکه های پلاسما را نشان می دهد.

یک تکه دونات توکامک که نمای مقطعی از داخل و تیر را نشان می دهد. اعتبار تصویر: DeepMind & SPC / EPFL

این مهم است زیرا آزمایش با پلاسما مانند این – نه استفاده از آن برای برق – شامل بسیاری از تنظیمات کوچک (فکر کنید میلیون ها) است و نمی توان آنها را به صورت دستی پیکربندی کرد. اگر یک نظریه به دو جریان نیاز داشته باشد، یکی 22 درصد بزرگتر از دیگری، ممکن است هفته ها یا ماه ها کار طول بکشد تا تنظیمات نظری برای تولید آن با استفاده از روش های “سنتی” (که واضح است، شبیه سازی های دیجیتالی فوق العاده پیچیده ای وجود دارد). ). اما هوش مصنوعی می‌تواند برای کسری از آن زمان یک تطابق خوب پیدا کند، یا راه‌حل را درست در آنجا ایجاد کند، یا به حسابرسان انسانی نقطه شروع قوی برای کار بدهد.

این همچنین می تواند برای ایمنی مهم باشد، زیرا هیچ کس نمی تواند تنظیماتی را برای یک یا دو ثانیه بداهه بسازد که در طول زمان ممکن است دارای یک ناهنجاری باشد. اما هوش مصنوعی ممکن است بتواند تنظیمات را در زمان واقعی تغییر دهد تا از آسیب جلوگیری کند.

مارتین ریدمیلر، محقق DeepMind اعتراف کرده است که این “روزهای اولیه” است، اما البته این را می توان تقریباً برای هر کاربرد هوش مصنوعی در علم گفت. ثابت شده است که یادگیری ماشینی یک ابزار قدرتمند و همه کاره برای رشته های بی شماری است – اما به عنوان دانشمندان خوب، آنها هر موفقیتی را با ذره ای از نمک می پذیرند و منتظر نتیجه بعدی و مطمئن تر هستند.