机器学习加速了旨在捕获地球上的聚变能量的实验建模

机器学习（ML）是一种识别人脸，识别语言并驾驶自动驾驶汽车的人工智能，可以帮助地球带来清洁的聚变能量，照亮太阳和星星。美国能源部（DOE）普林斯顿Plasma物理实验室（PPPL）的研究人员正在使用ML创建一个快速控制Plasma的模型 – 由自由电子和Atom核或离子组成的物质状态，促进融合反应。

太阳和大多数恒星币是巨大的Plasma球，经历不断的聚变反应。在地球上，科学家必须加热和控制Plasma，使粒子融合并释放能量。 PPPL研究表明ML可以促进这种控制。

神经网络

由PPPL物理学家Dan Boyer领导的研究人员已经研究了神经网络 – ML软件的核心 – 在国家球形环面实验升级（NSTX-U），旗舰融合设施或托卡马克的第一次运营活动中产生的数据，在PPPL。经过训练的模型精确地再现了由强大的中性束注入（NBI）产生的高能粒子行为的预测，该中性束注入用于为NSTX-UPlasma提供燃料并将其加热到百万度的融合相关温度。

这些预测通常由称为NUBEAM的复杂计算机代码生成，该代码包含有关光束对Plasma的影响的信息。这种复杂的计算必须每秒进行数百次，以分析实验期间Plasma的行为。但每次计算都需要几分钟才能运行，只有在通常持续几秒钟的实验完成后，才能让物理学家获得结果。

新的ML软件将精确预测高能粒子行为所需的时间缩短到150微秒以下 – 使计算在实验过程中在线完成。

模型的初始应用证明了用于估计未直接测量的Plasma行为的特征的技术。该技术将ML预测与实时可用的Plasma条件的有限测量结合起来。综合结果将有助于实时Plasma控制系统做出更明智的决策，如何调整光束注入以优化性能并保持Plasma的稳定性 – 这是聚变反应的关键质量。

快速评估

快速评估还将帮助操作员在操作期间每15-20分钟执行的实验之间进行更明智的调整。 “加速建模功能可以向运营商展示如何调整NBI设置以改进下一个实验，”Boyer说，“核聚变”一篇报道新模型的论文的第一作者。

Boyer与PPPL物理学家Stan Kaye合作，生成了一系列NUBEAM计算数据库，用于测试各种Plasma条件，类似于初始NSTX-U运行期间的实验。研究人员使用该数据库训练神经网络，以预测中性光束对Plasma的影响，例如加热和电流分布。软件工程师Keith Erickson随后实施了用于评估计算机模型的软件，用于主动控制实验以测试计算时间。

新工作将包括根据未来NSTX-U活动和其他融合设施的计划条件开发的神经网络模型的开发。此外，研究人员计划扩展目前的建模方法，以加速预测其他聚变Plasma现象。这项工作的支持来自美国能源部科学办公室。

故事来源：

物料 由…提供 能源部/普林斯顿Plasma物理实验室。原文由John Greenwald撰写。注意：可以根据样式和长度编辑内容。