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)普林斯顿等离子体物理实验室(PPPL)的研究人员正在使用ML创建一个快速控制等离子体的模型 - 由自由电子和原子核或离子组成的物质状态,促进融合反应。

太阳和大多数恒星是巨大的等离子体球,经历不断的聚变反应。在地球上,科学家必须加热和控制等离子体,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-U等离子体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等离子体的影响的信息。这种复杂的计算必须每秒进行数百次,以分析实验期间等离子体的行为。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等离子体行为的特征的技术。该技术将ML预测与实时可用的等离子体条件的有限测量结合起来。综合结果将有助于实时等离子体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等离子体的稳定性 - 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,用于测试各种等离子体条件,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,以预测中性光束对等离子体的影响,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等离子体现象。这项工作的支持来自美国能源部科学办公室。