机器学习加快了旨在捕获地球上聚变能的实验的建模

机器学习(ML)是一种人工智能形式，可以识别面孔，理解语言并驾驶自动驾驶汽车，可以帮助将点燃太阳和星星的清洁聚变能带入地球。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创建模型来快速控制等离子体-由自由电子和原子核或离子组成的物质状态-促进了聚变反应。

太阳和大多数恒星是不断发生聚变反应的巨大等离子体球。在地球上，科学家必须加热和控制等离子体，以使粒子融合并释放其能量。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对神经网络(机器学习软件的核心)进行了培训，以训练国家融合圆环实验升级(NSTX-U)(即旗舰融合设施)或tokamak，在PPPL。经过训练的模型可以准确地再现由强大的中性束注入(NBI)产生的高能粒子行为的预测，该中性粒子注入可用于为NSTX-U等离子体提供燃料并将其加热到与融合相关的百万度温度。

这些预测通常是由称为NUBEAM的复杂计算机代码生成的，该代码结合了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，以分析实验期间的等离子体行为。但是每次计算可能要花费几分钟，因此只有在通常持续几秒钟的实验完成后，结果才可供物理学家使用。

新的ML软件将准确预测高能粒子行为所需的时间减少到150微秒以下-使计算可以在实验过程中在线进行。

该模型的最初应用证明了一种估计未直接测量的等离子体行为特征的技术。该技术将ML预测与实时可用的有限血浆条件测量结合在一起。合并后的结果将帮助实时等离子体控制系统做出更明智的决策，以调整射束以优化性能并维持等离子体的稳定性，这是核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分钟执行一次的实验之间进行更明智的调整。核聚变的论文的主要作者博耶说：“加速的建模能力可以向操作员展示如何调整NBI设置，以改善下一个实验。”

博耶与PPPL物理学家斯坦·凯(Stan Kaye)合作，为一系列血浆条件生成了NUBEAM计算数据库，该数据库类似于在最初的NSTX-U运行过程中在实验中获得的血浆条件。研究人员使用该数据库训练神经网络，以预测中性束对等离子体的影响，例如加热和电流分布。然后，软件工程师Keith Erickson在用于主动控制实验以测试计算时间的计算机上实施了用于评估模型的软件。

新工作将包括开发神经网络模型，以适应未来NSTX-U活动和其他融合设施的计划条件。此外，研究人员计划扩展当前的建模方法，以实现对其他聚变等离子体现象的加速预测。这项工作的支持来自美国能源部科学办公室。