Efficient Neural Surrogates for Linear Radiation Transport on the Lattice and Hohlraum benchmarks

In de uitgestrekte, onzichtbare wereld van de kerntechniek en de astrofysica vertrouwen wetenschappers op een reeks regels om te volgen hoe energie door materie beweegt. Stel je een lichtstraal of een stroom deeltjes voor die door een kamer reist gevuld met verschillende materialen — sommige die de energie absorberen, sommige die het verstrooien en sommige die het doorlaten. Het nauwkeurig voorspellen waar die energie naartoe gaat, is essentieel voor het ontwerpen van veiligere kernreactoren, het plannen van kankerbehandelingen en het begrijpen van hoe sterren schijnen. Echter, het berekenen van deze paden is ongelooflijk moeilijk. De deeltjes bewegen in drie dimensies van de ruimte en drie dimensies van momentum, die allemaal in de loop van de tijd veranderen. Om een precies antwoord te krijgen, moeten computers het probleem opdelen in miljarden kleine stukjes en biljoenen berekeningen uitvoeren. Dit proces is zo traag en kostbaar dat ingenieurs vaak niet de middelen hebben om de simulaties te draaien die ze nodig hebben om nieuwe ontwerpen te testen of onzekerheden te verkennen. Ze zijn gedwongen om ruwere, snellere benaderingen te gebruiken die nauwkeurigheid opofferen voor snelheid.

Een team van onderzoekers heeft nu een nieuwe aanpak getest voor dit probleem: het gebruik van kunstmatige intelligentie om als een snelle, nauwkeurige vervanger te fungeren voor de trage, zware berekeningen. Ze trainden twee verschillende soorten neurale netwerken — computersystemen die zijn ontworpen om patronen te leren van gegevens — om de eindtoestand van de beweging van deeltjes te voorspellen in twee specifieke, uitdagende scenario's. Eén scenario bootst een sectie van een kernreactor na, een rooster van afwisselende materialen die straling absorberen en verstrooien. Het andere simuleert een "hohlraum", een holle kamer die wordt gebruikt in fusieonderzoek waarbij straling van de wanden afkaatst om een centraal doelwit te verhitten. De onderzoekers genereerden duizenden hoogwaardige voorbeelden met behulp van een krachtige, traditionele computeroplosser en voedden deze gegevens aan de neurale netwerken. Het doel was om te zien of de netwerken konden leren om de uitkomst van een simulatie te voorspellen in een fractie van de tijd die de traditionele computer nodig heeft om het op te lossen, zonder de precisie te verliezen die nodig is voor echte engineering.

De resultaten laten zien dat deze neurale netwerken inderdaad krachtige instrumenten kunnen worden, maar ze leren niet allemaal op dezelfde manier. De onderzoekers vergeleken twee verschillende architecturen. De eerste, genaamd Transolver, gebruikt een methode die de computer in staat stelt om naar het hele probleem in één keer te kijken, waardoor verbindingen tussen verre delen van de simulatie worden gevonden. De tweede, bekend als BSMS-MGN, werkt meer als een lokale buurtwacht, waarbij informatie van één klein celletje naar de directe buren wordt doorgegeven en vervolgens via een hiërarchie van grotere groepen omhoog beweegt. Wanneer ze werden getest op het reactor-achtige rooster, presteerden beide netwerken goed en reproduceerden ze de complexe patronen van energiestroom met hoge nauwkeurigheid. Echter, toen de onderzoekers hen testten op de fusiekamer, ontstond er een duidelijk verschil. Het Transolver-netwerk werd, wanneer het een specifiek type coördinatencodering kreeg dat het helpt ruimtelijke posities te begrijpen, aanzienlijk nauwkeuriger in het voorspellen van hoeveel energie door het centrale doelwit werd geabsorbeerd. Het graaf-gebaseerde netwerk daarentegen had moeite met dit specifieke detail wanneer het dezelfde coördinatiehulp kreeg, maar presteerde het best wanneer het trainingsproces werd aangepast om extra aandacht te besteden aan de materiaalgrenzen.

Deze bevinding suggereert dat er niet één enkel "beste" ontwerp is voor een AI-model in dit veld. De keuzes die één netwerk nauwkeurig maken, kunnen een ander netwerk juist verslechteren. De onderzoekers ontdekten dat het Transolver-model floreerde wanneer het extra informatie kreeg over de geometrie van de ruimte, terwijl het graaf-gebaseerde model beter presteerde wanneer het trainingsproces werd aangepast om het belang van specifieke materiaalregio's te benadrukken. Dit betekent dat ingenieurs niet simpelweg een succesvolle AI-opstelling van het ene probleem naar het andere kunnen kopiëren; ze moeten het ontwerp afstemmen op de specifieke architectuur die ze gebruiken. Ondanks deze verschillen bereikten beide netwerken een opmerkelijke versnelling. Eenmaal getraind, konden ze een oplossing produceren in een fractie van een seconde, terwijl de traditionele computeroplosser seconden of zelfs minuten duurde. De onderzoekers berekenden dat voor taken die duizenden simulaties vereisen, zoals het optimaliseren van een reactorontwerp of het testen van veiligheidsmarges, de tijd bespaard door het gebruik van deze AI-modellen het initiële tijdsbested aan het trainen van het model ruimschoots zou compenseren.

De studie onthulde ook een beperking in hoe deze modellen omgaan met verschillende niveaus van detail. De netwerken werden getraind op zeer fijne, hoog-resolutie roosters die elk klein detail van de deeltjesstroom vastlegden. Wanneer de onderzoekers hen vroegen om op een grover, lager-resolutie rooster te draaien zonder hertraining, daalde de nauwkeurigheid, vooral voor het graaf-gebaseerde model, dat te gladde resultaten produceerde die scherpe veranderingen in energie misten. Dit geeft aan dat voor de hoogste getrouwheid, de AI moet worden uitgevoerd op hetzelfde detailniveau als waarop hij is getraind. Echter, zelfs met deze beperking zijn de snelheidswinsten aanzienlijk. De onderzoekers schatten dat de AI-modellen voor het fusiekamerprobleem ongeveer 800 tot 1.000 keer gedraaid moeten worden om de tijd terug te verdienen die besteed is aan het genereren van de trainingsgegevens en het trainen van het model. Na dat punt is elke extra simulatie een enorme winst in efficiëntie.

Uiteindelijk demonstreert het werk dat neurale surrogaten klaar zijn om deel uit te maken van de gereedschapskist van kerningenenieurs en natuurkundigen, mits ze met zorg worden gebruikt. Ze zijn geen magische vervanging voor alle natuurkundige berekeningen, maar een zeer effectief hulpmiddel voor de specifieke, repetitieve taken die momenteel ontwerp en analyse vertragen. Door aan te tonen dat verschillende netwerkstructuren verschillende trainingsstrategieën vereisen, hebben de onderzoekers een routekaart geboden voor het bouwen van betere modellen in de toekomst. De belangrijkste les is dat de weg naar nauwkeurige, snelle simulatie niet gaat over het vinden van één perfect algoritme, maar over het begrijpen van de unieke sterktes en zwaktes van elke aanpak en het afstemmen daarvan op het specifieke probleem dat voorhanden is. Naarmate deze modellen worden verfijnd en toegepast op complexere driedimensionale scenario's, beloven ze nieuwe mogelijkheden te ontsluiten voor het ontwerpen van schonere energiebronnen en het begrijpen van het universum.