“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 )是识别人脸、识别语言、自动驾驶汽车的人工智能，可以帮助地球带来清洁的融合能，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 )的研究人员利用ml制作了迅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。

太阳和大部分恒星都是巨大的等离子体球，不断经历融合反应。 在地球上，科学家必须加热和控制等离子体，使粒子融合释放能量。 ppl研究表明，ml可以促进这种控制。

神经互联网

PPL物理学家dan boyer领导的研究者已经研究了神经互联网- ml软件的核心-国家球形环面实验升级( nstx-u )、旗舰融合设施或托卡马克最初的运营活动中产生的数据，位于PPL， 训练过的模型准确地再现了为了向nstx-u等离子体供给燃料，加热到100万度的融合相关温度，通过强力中性束注入( nbi )对高能粒子行为的预测。

这些预测由一般称为nubeam的多而复杂的计算机代码生成，该代码中包含了波束对等离子体的影响的新闻。 为了分解实验中的等离子体行为，这样多而复杂的计算必须每秒进行数百次。 但是，每次计算都需要几分钟。 物理学家通常只有在持续几秒钟的实验完成之后才能得到结果。

新的ml软件将准确预测高能粒子行为所需的时间缩短到150微秒以下，并在实验中在线完成计算。

模型的初期应用说明了用于推测没有直接测量的等离子体行为特征的技术。 该技术结合了ml预测和实时可用的等离子体条件的有限测量。 综合结果有助于实时等离子体控制系统做出更明智的决定，如何调整束流注入以优化性能，保持等离子体的稳定性是融合反应的重要质量。

/ s2/ ]快速判断

快速判断也有助于操作员在操作过程中每15-20分钟进行一次实验之间进行更明智的调整。 加速建模的功能可以向运营商展示如何调整nbi的设置以改进下一个实验。 boyer先生说，他是报告核聚变新模式的论文的第一作者。

boyer与pppl物理学家stan kaye合作，像早期nstx-u运行中的实验一样，生成了一系列用于测试各种等离子体条件的nubeam计算数据库。 研究人员利用该数据库训练神经互联网，预测中性束对等离子体的影响，如加热和电流分布。 软件工程师keith erickson随后实施了判断计算机模型的软件，以积极控制实验来测试计算时间。

新的事业包括开发基于未来nstx-u活动和其他融合设施的规划条件开发的神经互联网模型。 另外，研究者们还计划扩展现有的建模方法，以加速对其他融合等离子体现象的预测。 对这项事业的支持来自美国能源部科学办公室。

本文：《“机器学习加速了旨在捕获地球上的聚变能量的实验建模”》