核聚變反應(yīng)堆技術(shù)能夠以安全和可持續(xù)的方式滿足我們未來的電力需求。數(shù)值模型(Numerical models)能夠?yàn)檠芯咳藛T提供關(guān)于聚變等離子體行為的信息，以及關(guān)于反應(yīng)堆設(shè)計(jì)和運(yùn)行有效性的寶貴見解。不過，要求大量的等離子體相互作用進(jìn)行建模，需要一些專門的模型，而這些模型的速度不足以提供反應(yīng)堆設(shè)計(jì)和運(yùn)行的數(shù)據(jù)。

來自埃因霍溫理工大學(xué)應(yīng)用物理系核聚變科學(xué)與技術(shù)組的 Aaron Ho 利用機(jī)器學(xué)習(xí)的方法，來加快堆芯等離子體湍流傳輸?shù)臄?shù)值模擬。他于 3 月 17 日進(jìn)行了博士論文答辯。

核聚變反應(yīng)堆研究的最終目標(biāo)是以經(jīng)濟(jì)可行的方式實(shí)現(xiàn)凈功率的提升。為了達(dá)到這個目標(biāo)，已經(jīng)建造了大型復(fù)雜的裝置，但隨著這些裝置變得越來越復(fù)雜，對其運(yùn)行采取預(yù)測優(yōu)先的方法變得越來越重要。這樣可以減少運(yùn)行效率低下的情況，并保護(hù)設(shè)備不受嚴(yán)重?fù)p壞。

為了模擬這樣的系統(tǒng)，需要能夠捕捉到融合裝置中所有相關(guān)現(xiàn)象的模型，這些模型要足夠準(zhǔn)確，以便預(yù)測可以用來做出可靠的設(shè)計(jì)決策，并且要足夠快，以快速找到可行的解決方案。

在他的博士研究中，Aaron Ho 通過使用基于神經(jīng)網(wǎng)絡(luò)的模型開發(fā)了一個滿足這些標(biāo)準(zhǔn)的模型。這種技術(shù)有效地讓模型以數(shù)據(jù)收集為代價，同時保留了速度和精度。該數(shù)值方法被應(yīng)用于一個減階湍流模型QuaLiKiz，該模型可以預(yù)測微湍流引起的等離子體傳輸量。這種特殊的現(xiàn)象是托卡馬克等離子體裝置中最主要的傳輸機(jī)制。遺憾的是，它的計(jì)算也是目前托卡馬克等離子體建模的限速因素。

Ho 成功地用 QuaLiKiz 評價訓(xùn)練了一個神經(jīng)網(wǎng)絡(luò)模型，同時將實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練輸入。然后將得到的神經(jīng)網(wǎng)絡(luò)耦合到一個更大的集成建?？蚣?JINTRAC 中，以模擬等離子體裝置的核心。

通過用Ho的神經(jīng)網(wǎng)絡(luò)模型替換原有的QuaLiKiz模型，并對比結(jié)果，對神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行了評估。與原來的 QuaLiKiz 模型相比，Ho 的模型考慮了更多的物理模型，重復(fù)結(jié)果的精度在 10% 以內(nèi)，并且將模擬時間從 16 個核心的 217 個小時減少到單核心的2個小時。

然后為了檢驗(yàn)?zāi)Ｐ驮谟?xùn)練數(shù)據(jù)之外的有效性，在等離子體升壓場景下，利用耦合系統(tǒng)進(jìn)行優(yōu)化練習(xí)，對模型進(jìn)行了原理驗(yàn)證。這項(xiàng)研究使人們對實(shí)驗(yàn)觀測背后的物理學(xué)有了更深的理解，并強(qiáng)調(diào)了快速、準(zhǔn)確和詳細(xì)的等離子體模型的好處。

最后，Ho建議，該模型可以擴(kuò)展到控制器或?qū)嶒?yàn)設(shè)計(jì)等進(jìn)一步應(yīng)用。他還建議將該技術(shù)擴(kuò)展到其他物理模型，因?yàn)閾?jù)觀察，湍流傳輸預(yù)測不再是限制因素。這將進(jìn)一步提高綜合模型在迭代應(yīng)用中的適用性，并能進(jìn)行必要的驗(yàn)證工作，使其能力更接近于真正的預(yù)測模型。

關(guān)鍵詞： 人工智能