फ्यूजन एनर्जी ही वास्तविकता नसण्याची अनेक कारणे आहेत, परंतु ऑस्टिनमधील टेक्सास विद्यापीठातील संशोधकांच्या गटाच्या मते आणि त्यांच्या सहयोगींच्या मते, आम्ही कदाचित मॉडेलिंगमध्ये प्रगती करू शकतो.
एकत्रीकरण भौतिकशास्त्रातील दीर्घकालीन समस्येचे निराकरण करण्यासाठी कार्यसंघ पेपर एक नवीन मार्ग प्रदान करतो: उच्च -अंतर्ज्ञान रेणू, विशेषत: फ्यूजन प्रतिक्रियांद्वारे निर्मित अल्फा रेणू, त्यांच्यासाठी डिझाइन केलेल्या चुंबकीय क्षेत्रात नेहमीच मर्यादित राहतात. तार्यांमध्ये, अभ्यासामध्ये तपासणी केलेल्या फ्यूजन अणुभट्टीचा प्रकार या वेगवान कणांची कमकुवत कारावास मोठ्या प्रमाणात उर्जा कमी होऊ शकतो, ज्यामुळे सतत फ्यूजन साध्य करणे अधिक कठीण होते.
अणुभट्टीच्या आत प्लाझ्मा लहान करणार्या जटिल चुंबकीय क्षेत्र तयार करण्यासाठी दोन तारे बाह्य चुंबकीय कॉइल वापरतात. परंतु ही फील्ड वेगवान -मोलिंग रेणू, विशेषत: फ्यूजनमधील अल्फा -जन्म कण, ज्यांचे मार्ग मानक फील्ड मॉडेल्समध्ये समाविष्ट असलेल्या गृहितकांशी संबंधित नसतात.
हे कण लोरेन्ट्झच्या सामर्थ्यावर आधारित संपूर्ण कक्ष सिम्युलेशन कसे हलवायचे याची अचूक आवश्यकता आहे – मुख्यत: प्रत्येक कणाच्या काळजीपूर्वक मार्गाचा मागोवा घेतात. मॉडेलिंगची ही पातळी अगदी अचूक आहे, परंतु गणिताच्या दृष्टिकोनातूनही ती महाग आहे.
यूटी ऑस्टिनने असे सूचित केले की चुंबकीय क्षेत्रातील सर्व छिद्रांपासून मुक्त होण्यासाठी हजारो डिझाईन्स लागू शकतात, ज्यामुळे फ्यूजन अणुभट्टीच्या चुंबकीय क्षेत्राची अचूक रचना सर्व अशक्य आहे.
प्रत्येक कणांच्या संपूर्ण कक्षाचे अनुकरण करण्याऐवजी वैज्ञानिक पारंपारिकपणे डिसऑर्डरच्या सिद्धांतावर अवलंबून असतात, साधेपणा आणि आदर्श प्रकरणांवर आधारित कणांना रूपांतरित करण्याची एक पद्धत. हे बर्याच परिस्थितींमध्ये प्रभावी आहे, परंतु ते जटिल चुंबकीय क्षेत्रात वेगवान -मोलिंग रेणूंसाठी कोसळते, ज्यामुळे चुकीच्या तुरूंगवासाची भविष्यवाणी आणि कमकुवत अणुभट्टी डिझाइन होते.
ऑस्टिनमधील भौतिकशास्त्र विभागातील सहाय्यक प्राध्यापक, मुख्य पेपरचे लेखक जोश बोर्बी म्हणाले, “न्यूटनच्या महागड्या कायद्यांची थेट अंमलबजावणी. “आमच्यासाठी या संकटांच्या सभोवतालचा पहिला सिद्धांत आहे.”
जरी हे एक सखोल तांत्रिक असले तरी, मशीन शिक्षकांच्या मॉडेलद्वारे मानक अंदाजे सुधारणे हे कार्य आहे, जे तारेच्या जटिल चुंबकीय क्षेत्रातील वेगवान -मोलिंग कणांचा मागोवा घेते, आदर्श परिस्थितीच्या बाहेरील भाग घेण्याकरिता पारंपारिक पद्धतींशी लढा देणार्या छुप्या सममितीचा फायदा घेऊन.
यूटी ऑस्टिनच्या प्रवक्त्याच्या मते, कोणतीही अचूकता न गमावता न्यूटनच्या विश्लेषणापेक्षा नवीन पद्धत दहापट वेगवान आहे, परंतु तरीही कमतरता आहे. पेपरमध्ये असे नमूद केले आहे की काही अनुप्रयोगांमध्ये डेटा “लहान” वर अवलंबून असलेली नवीन पद्धत कारण जेव्हा चुंबकीय क्षेत्र बदलते तेव्हा ते पुनरावृत्ती केले पाहिजे, जेथे ते कोडित केले जाते (अशीसंगणक खर्च स्वीकार्य नाही. ”
अलीकडेच सर्व गोष्टींप्रमाणेच, आम्ही या पद्धतीला व्यावहारिक बनवू शकणार्या बचतीचा आशीर्वाद म्हणून कृत्रिम बुद्धिमत्तेवर अवलंबून राहू शकतो.
त्यांच्या पेपरच्या शेवटी, संशोधक म्हणाले: “मशीन लर्निंगमधील शेवटची प्रगती, विशेषत: मूलभूत आणि उतार मॉडेल्समध्ये, या आव्हानाचा सामना करण्यास तयार आहे.”
याव्यतिरिक्त, “नॉन -टर्ब्युलंट मार्गदर्शन केंद्र सिद्धांत” विकसित केले गेले होते, जसे की पेपरमध्ये तारे लक्षात ठेवून म्हटले जाते, परंतु ते तत्त्वानुसार टोकमाक्सपर्यंत वाढू शकते – सर्वाधिक वापरल्या जाणार्या एकत्रीकरणाच्या अणुभट्टीची रचना.
दुर्दैवाने, फील्ड एनर्जीमधील सर्वात मोठी समस्या, प्रत्यक्षात, प्रतिक्रियेपेक्षा संपूर्ण प्रणाली अधिक ऑपरेट करण्यासाठी अधिक ऊर्जा आवश्यक आहे. पेलेमध्ये उच्च -एर्जी लेसर सोडणार्या एका पद्धतींपैकी एक, एक लहान इंधन, वास्तविक वचन दर्शविले.
त्याच परिस्थितीत संशोधकांनी इतक्या कॉल केलेला “इग्निशन” पाहिला, याचा अर्थ असा आहे की एकत्रीकरणाच्या प्रतिक्रियेद्वारे जारी केलेली उर्जा इंधनशीच जोडलेली उर्जा ओलांडली. परंतु तोपर्यंत, परिणामी फ्यूजनपेक्षा लेसर आणि सहाय्यक प्रणाली अधिक ऑपरेट करण्यासाठी मोठ्या प्रमाणात उर्जा आवश्यक होती, ज्यामुळे आउटपुटचे संपूर्ण इनपुट शिल्लक पाहताना निव्वळ उर्जा कमी होते.
कृत्रिम बुद्धिमत्ता प्रणालींना प्रशिक्षण देणारी प्रचंड केंद्रांसह आपल्या तहानलेल्या समाजात ऑपरेट करण्यासाठी आम्हाला अधिक ऊर्जा आवश्यक आहे. परंतु प्रत्येक प्रकारच्या प्रगतीप्रमाणेच, इतर गोष्टींच्या मोठ्या बादलीमध्ये हे फक्त एक थेंब आहे जे अद्याप निराकरण झाले नाही. ®
