普林斯顿等离子体物理实验室的研究人员正在利用人工智能和机器学习来提高聚变能的产生，解决控制等离子体反应的挑战。他们的创新包括优化安全壳的设计和操作，以及使用人工智能来预测和管理不稳定性，从而显著提高聚变反应的安全性和效率。该技术已成功应用于托卡马克反应堆，推动该领域向可行的商业聚变能源发展。来源:SciTechDaily.com

　　几十年来，原子融合和释放能量的复杂舞蹈一直吸引着科学家。现在，人类的聪明才智和人工智能正在美国能源部(DOE)普林斯顿等离子体物理实验室(PPPL)结合起来，以解决人类最紧迫的问题之一:从聚变等离子体中产生清洁、可靠的能源。

　　与传统的计算机代码不同，机器学习——一种人工智能软件——并不是简单的指令列表。机器学习是一种可以分析数据、推断特征之间关系、从新知识中学习并适应的软件。PPPL的研究人员认为，这种学习和适应的能力可以以各种方式改善他们对核聚变反应的控制。这包括完善超热等离子体周围容器的设计，优化加热方法，以及在越来越长的时间内保持对反应的稳定控制。

　　该实验室的人工智能研究已经取得了重大成果。在《自然通讯》上发表的一篇新论文中，PPPL的研究人员解释了他们如何使用机器学习来避免磁扰动或破坏，从而破坏聚变等离子体的稳定。

　　“结果特别令人印象深刻，因为我们能够使用相同的代码在两个不同的托卡马克上实现它们，”PPPL工作人员研究物理学家SangKyeun Kim说，他是该论文的第一作者。托卡马克是一种环形装置，利用磁场来保持等离子体。

　　“等离子体中的不稳定性可能导致核聚变装置严重损坏。我们不能在商业核聚变容器中使用这些。“我们的工作推动了这一领域的发展，并表明人工智能可以在管理聚变反应方面发挥重要作用，避免不稳定，同时允许等离子体产生尽可能多的聚变能，”机械和航空航天工程系副教授Egemen Kolemen说，他与安德林格能源与环境中心和PPPL联合任命。

　　为了控制等离子体并保持聚变反应继续进行，每一毫秒都必须做出重要的决定。科尔曼的系统可以比人类更快地做出这些决定，并自动调整聚变容器的设置，使等离子体得到适当的维持。该系统可以预测中断，找出需要更改的设置，然后在不稳定发生之前做出这些更改。

　　检测和消除等离子体不稳定性的机器学习代码部署在上面所示的两个托卡马克中:DIII-D和KSTAR。资料来源:通用原子公司和韩国聚变能源研究所

　　Kolemen指出，结果令人印象深刻的另一个原因是，在这两种情况下，等离子体都处于高约束模式。这也被称为h模式，当一个磁约束等离子体被加热到足够的程度时，等离子体的约束突然显著改善，等离子体边缘的湍流有效地消失了。h模式是最难稳定的模式，但也是商业发电所必需的模式。

　　该系统成功地部署在两个托卡马克上，DIII-D和KSTAR，两者都实现了h模式，没有不稳定性。这是研究人员第一次在反应堆设置中实现这一壮举，这与在商业规模上部署核聚变能源所需的条件有关。

　　PPPL在使用人工智能来控制不稳定性方面有着重要的历史。2019年，PPPL首席研究物理学家William Tang和他的团队首次展示了将这一过程从一个托卡马克转移到另一个托卡马克的能力。

　　唐说:“我们的工作取得了突破，利用人工智能和机器学习以及强大的现代高性能计算资源，在千分之一秒内整合大量数据，并开发出在破坏性物理事件发生之前处理它们的模型。”“你不可能在几毫秒内有效地应对干扰。这就像在一种致命的癌症已经太久之后才开始治疗一样。”

　　2019年发表在《自然》杂志上的一篇有影响力的论文详细介绍了这项工作。Tang和他的团队继续在这一领域工作，重点是使用经过适当验证和验证的观测数据训练的机器学习模型来消除托卡马克的实时中断。

　　仿星器的新设计

　　PPPL的聚变人工智能项目不仅限于托卡马克。PPPL的数字工程主管迈克尔·丘吉尔(Michael Churchill)使用机器学习来改进另一种类型的聚变反应堆——仿星器的设计。如果托卡马克看起来像甜甜圈，那么仿星器就可以被视为核聚变世界的油条，其设计更为复杂、扭曲。

　　“当我们验证仿星器的设计时，我们需要利用很多不同的代码。所以问题就变成了，“仿星器设计的最佳代码是什么?使用它们的最佳方式是什么?”’”丘吉尔说。“这需要在计算的细节程度和得出答案的速度之间取得平衡。”

　　目前对托卡马克和仿星器的模拟接近真实的东西，但还不是双胞胎。“我们知道，我们的模拟并不完全真实于现实世界。很多时候，我们知道存在缺陷。我们认为它捕捉到了很多你在核聚变机上看到的动态，但还有很多我们没有做到的。”

　　结合人工智能和融合思想的插图。来源:凯尔·帕尔默/ PPPL通信部门

　　丘吉尔说，理想情况下，你需要一个数字双胞胎:一个在模拟数字模型和实验中捕获的现实世界数据之间有反馈回路的系统。“在一个有用的数字孪生体中，可以使用和利用物理数据来更新数字模型，以便更好地预测未来的表现。”

　　毫无疑问，模拟现实需要大量非常复杂的代码。挑战在于，代码越复杂，通常运行的时间就越长。例如，一种被称为X-Point Included Gyrokinetic code (XGC)的常用代码只能在高级超级计算机上运行，即便如此，它也不能快速运行。“除非你有一台专用的百亿亿次超级计算机，否则你不会在每次进行聚变实验时都运行XGC。我们可能已经运行了30到50次等离子体放电(我们已经运行了数千次)，”丘吉尔说。

　　这就是为什么丘吉尔使用人工智能来加速不同的代码和优化过程本身。他说:“我们真的希望进行更高保真度的计算，但速度要快得多，这样我们才能快速优化。”

　　编码以优化代码

　　同样，研究物理学家Stefano Munaretto的团队正在使用人工智能来加速名为HEAT的代码，该代码最初是由美国能源部的橡树岭国家实验室和田纳西大学诺克斯维尔分校为PPPL的托卡马克NSTX-U开发的。

　　HEAT正在进行更新，使等离子体模拟将是3D的，与托卡马克转向器的3D计算机辅助设计(CAD)模型相匹配。导流器位于聚变容器的底部，用于提取反应过程中产生的热量和灰烬。三维等离子体模型应该增强对不同等离子体结构如何影响托卡马克热流或热运动模式的理解。了解特定等离子体结构的热量运动可以帮助我们了解在未来类似等离子体放电时热量可能如何传播。

　　通过优化HEAT，研究人员希望在等离子体注射之间快速运行复杂的代码，利用上次注射的信息来决定下一次注射。

　　Munaretto说:“这将使我们能够预测下一次射击中出现的热通量，并有可能为下一次射击重置参数，这样热通量对分流器来说就不会太强烈。”“这项工作还可以帮助我们设计未来的聚变发电厂。”

　　PPPL副研究物理学家domsamunica Corona Rivera一直深入参与优化HEAT的工作。关键是将输入参数范围缩小到4到5个，这样代码就会精简而又高度准确。“我们不得不问，‘这些参数中哪些是有意义的，哪些会真正影响热量?’”科罗纳·里维拉说。这些都是用来训练机器学习程序的关键参数。

　　在Churchill和Munaretto的支持下，Corona Rivera已经大大减少了运行代码以考虑热量的时间，同时使结果与原始版本的结果保持了大约90%的同步。“这是瞬间的，”她说。

　　找到合适的伴侣加热条件理想

　　研究人员还试图通过完善一种被称为离子回旋射频加热(ICRF)的技术，找到加热等离子体中离子的最佳条件。这种加热的重点是加热等离子体中的大粒子——离子。

　　等离子体具有不同的特性，如密度、压力、温度和磁场强度。这些特性改变了波与等离子体粒子相互作用的方式，并决定了波的路径和波加热等离子体的区域。量化这些效应对于控制等离子体的射频加热至关重要，这样研究人员就可以确保波有效地穿过等离子体，在正确的区域加热它。

　　问题在于，用于模拟等离子体和无线电波相互作用的标准代码非常复杂，运行速度太慢，无法用于实时决策。

　　“机器学习为我们优化代码带来了巨大的潜力，”PPPL的副研究物理学家álvaro Sánchez Villar说。“基本上，我们可以更好地控制等离子体，因为我们可以预测等离子体将如何演变，我们可以实时纠正它。”

　　该项目专注于尝试不同类型的机器学习来加速广泛使用的物理代码。Sánchez Villar和他的团队为不同的聚变装置和加热类型展示了多个加速版本的代码。这些模型可以在几微秒内而不是几分钟内找到答案，对结果的准确性影响最小。Sánchez Villar和他的团队还能够使用机器学习来消除具有挑战性的场景和优化的代码。

　　Sánchez Villar说，代码的准确性，“增强的健壮性”和加速度使其非常适合集成建模，其中许多物理代码一起使用，以及实时控制应用，这对聚变研究至关重要。

　　增强了我们对等离子体边缘的理解

　　PPPL首席研究物理学家Fatima Ebrahimi是美国能源部高级科学计算研究项目的首席研究员，该项目为期四年，是科学办公室的一部分，该项目使用来自各种托卡马克的实验数据、等离子体模拟数据和人工智能来研究聚变过程中等离子体边缘的行为。研究小组希望他们的发现能揭示在商业规模的托卡马克上限制等离子体的最有效方法。

　　虽然该项目有多个目标，但从机器学习的角度来看，目标是明确的。易卜拉希米说:“我们想探索机器学习如何帮助我们利用我们所有的数据和模拟，这样我们就可以缩小技术差距，将高性能等离子体集成到一个可行的聚变发电厂系统中。”

　　当托卡马克装置在等离子体边缘无大规模不稳定性的状态下运行时，从世界各地的托卡马克装置收集了大量的实验数据，这种状态被称为边缘局域模式(elm)。这种瞬间爆炸的elm需要避免，因为它们会损坏托卡马克的内部组件，将杂质从托卡马克壁上吸到等离子体中，并降低聚变反应的效率。问题是如何在商业规模的托卡马克中实现无elm状态，这种托卡马克将比现在的实验托卡马克更大，运行温度更高。

　　Ebrahimi和她的团队将把实验结果与已经通过实验数据验证的等离子体模拟信息结合起来，创建一个混合数据库。然后，数据库将用于训练关于等离子体管理的机器学习模型，然后可用于更新模拟。

　　易卜拉希米解释说:“在训练和模拟之间有一些来回。

　　通过在超级计算机上运行机器学习模型的高保真模拟，研究人员可以对现有数据所涵盖的场景进行假设。这可能为在商业规模上管理等离子体优势的最佳方式提供有价值的见解。

　　参考文献:“在托卡马克中无有害边缘能量爆发的最高聚变性能”，作者:S. K. Kim, R. Shousha, S. M. Yang, Q. Hu, S. H. Hahn, A. Jalalvand, j . k。N. C.洛根，A. O.纳尔逊，y . s .Na, R. nazikiian, R. Wilcox, R. Hong, T. Rhodes, C. Paz-Soldan, Y. M. Jeon, M. W. Kim, W. H. Ko, J. H. Lee, A. Battey, G. Yu, A. Bortolon, J. Snipes和E. Kolemen, 2024年5月11日，自然通讯。DOI: 10.1038 / s41467 - 024 - 48415 - w

　　本研究由以下美国能源部资助:DE-SC0020372, DE-SC0024527, DE-AC02-09CH11466, DE-SC0020372, DE-AC52-07NA27344, DE-AC05-00OR22725, DE-FG02-99ER54531, DE-SC0022270, DE-SC0022272, DE-SC0019352, DEAC02-09CH11466和DE-FC02-04ER54698。本研究还通过韩国聚变能源研究所得到了KSTAR实验协作和聚变等离子体研究(EN2401-15)研究和设计计划的支持。