L'Université de Californie à Santa Barbara et le Lawrence Livermore National Laboratory s'associent pour accélérer les simulations de plasmas de fusion grâce à l'IA

L'Université de Californie à Santa Barbara (University of California, Santa Barbara, UCSB) et le Lawrence Livermore National Laboratory (Lawrence Livermore National Laboratory, LLNL) lancent une nouvelle collaboration visant à introduire l'intelligence artificielle dans les simulations de plasmas extrêmes, afin d'accélérer les calculs critiques dans la recherche sur la fusion nucléaire et la physique des hautes densités d'énergie.

Le doctorant Neel Sankaran (à gauche), encadré par la professeure Haewon Jeong de l'Université de Californie à Santa Barbara, et la scientifique Min Sang Cho (à droite) du Lawrence Livermore National Laboratory, sur la photo

Ce projet est dirigé par Haewon Jeong, professeure adjointe au département de génie électronique et informatique de l'Université de Californie à Santa Barbara. Il a été sélectionné parmi 29 propositions reçues par l'équipe de collaboration académique du LLNL, faisant partie des 5 projets retenus, et bénéficiera d'un financement annuel de 536 000 dollars du LLNL sur trois ans. L'équipe de Haewon Jeong collaborera avec les scientifiques du LLNL, dont Min Sang Cho, co-chercheur principal. Les deux parties prévoient de développer des modèles de substitution pilotés par l'IA afin de réduire considérablement le temps nécessaire aux simulations de plasmas à grande échelle.

Haewon Jeong a indiqué que les simulations physiques sont souvent très coûteuses en calcul. Les modèles de substitution, en particulier ceux basés sur l'IA, peuvent approximer les résultats des simulations en apprenant à partir des données, réduisant ainsi la dépendance à la résolution directe des équations aux dérivées partielles et accomplissant les tâches concernées à un coût de calcul inférieur.

Ce projet, intitulé « Dynamique hors équilibre thermodynamique local basée sur l'apprentissage automatique », intègre l'apprentissage automatique, la physique des plasmas et le calcul haute performance, en se concentrant sur les plasmas hors équilibre thermodynamique local (non-LTE). Ces plasmas se trouvent dans des états extrêmes de la matière où les hypothèses simplificatrices traditionnelles peuvent ne plus s'appliquer, rendant leur simulation précise particulièrement difficile.

Dans la recherche sur la fusion par laser, lorsqu'un laser ultra-intense irradie une fine cible solide, il ionise le matériau et forme un plasma à haute énergie, qui libère ensuite des rayons X. Ces rayons X peuvent être utilisés pour comprimer le combustible de fusion jusqu'aux conditions extrêmes nécessaires à la fusion. Haewon Jeong a souligné que simuler avec précision les états atomiques correspondants est essentiel pour comprendre l'absorption d'énergie, la production de rayonnement et la manière de piloter plus efficacement la fusion.

Ces calculs sont difficiles car les plasmas impliquent un grand nombre d'interactions entre atomes et particules, et ces processus se produisent simultanément à différentes échelles de temps et d'espace. Les codes de simulation existants peuvent décrire les processus physiques concernés avec une grande précision, mais nécessitent généralement d'importantes ressources de calcul et de longs temps d'exécution. Pour résoudre ce problème, le projet combinera des méthodes d'apprentissage automatique telles que la compression neuronale, la modélisation générative et la prévision de séries temporelles afin d'extraire les schémas clés des systèmes complexes.

Min Sang Cho a indiqué que la fusion par laser est considérée comme l'une des voies scientifiques importantes pour la recherche sur l'énergie propre du futur. Le LLNL a réalisé l'allumage par fusion en 2022, mais pour faire progresser la fusion jusqu'au stade de la production d'énergie pratique, il est nécessaire de mieux comprendre les mécanismes de transport du rayonnement et de l'énergie dans les plasmas de fusion, en particulier dans les états complexes hors équilibre thermodynamique local, où ces mécanismes influencent le flux d'énergie et les performances globales du système.

Il a souligné que ces calculs sont longs et constituent souvent un goulot d'étranglement dans les études de conception à grande échelle et les simulations globales. Si la vitesse de calcul pouvait être considérablement améliorée, les chercheurs auraient la possibilité d'explorer une gamme plus large de paramètres plasmatiques et d'analyser plus efficacement les lois physiques régissant le transport du rayonnement et de l'énergie dans les systèmes de fusion.

Neil Sankaran, doctorant en première année dans l'équipe de Haewon Jeong participant au projet, a déclaré que l'équipe utilise l'apprentissage automatique pour simplifier des systèmes plasmatiques extrêmement complexes tout en préservant leurs caractéristiques physiques essentielles. Il a précisé que simuler directement chaque interaction microscopique n'est pas réaliste, et que l'objectif de la recherche est de capturer les schémas réellement importants pour le comportement du système sans calculer tous les détails un par un.

Cette collaboration illustre également le rôle complémentaire des universités et des laboratoires nationaux dans la recherche scientifique interdisciplinaire. L'UCSB dispose d'une base de recherche solide en intelligence artificielle et en modélisation computationnelle, tandis que le LLNL mène depuis longtemps des recherches en physique des plasmas, fusion par laser et physique des hautes densités d'énergie. Les deux parties espèrent combiner leurs atouts respectifs pour développer des modèles de substitution basés sur l'IA pouvant être intégrés aux flux de travail scientifiques existants.

Haewon Jeong a indiqué que le LLNL dispose déjà de codes de simulation physique des plasmas pilotés par laser pour la recherche sur la fusion nucléaire et les environnements de plasmas extrêmes. Si les nouveaux modèles de substitution basés sur l'IA peuvent être intégrés à ces flux de travail et devenir des outils fiables utilisés quotidiennement par les chercheurs, cela signifierait un succès substantiel pour le projet. Elle a également exprimé l'espoir que l'équipe puisse faire évoluer les modèles de substitution basés sur l'IA d'approches de recherche expérimentales vers une composante fiable du calcul scientifique.