研究人员利用AI技术证实了在可预见的未来，核聚变能量供应的可行性。

普林斯顿大学的研究团队利用深度学习提高预测准确度，该预测有望助力阻止等离子体聚变反应的中断。

普林斯顿大学的研究人员利用AI技术，帮助证实了在可预见的未来，核聚变能量供应的可行性。

自从20世纪50年代以来，科学家就已开始试图从氘和氚（氢的丰富同位素）的聚变反应（类似太阳的热核聚变）中获取清洁能源。这种无碳能源可在3.6亿华氏度下获取，为电力的产生提供了绝佳途径。一般电力产生的过程为：通过将水加热生成蒸汽，蒸汽推动涡轮机运转，进而产生无数千瓦的电力。

为了成功获取这种能源，首先要做的就是精确预测磁约束热核聚变等离子体（也称为托卡马克装置）中的危险中断事件的发生时间。由于时间有限，要在中断发生之前的30毫秒之内进行干预，以通过等离子体控制预留缓冲时间。

普林斯顿大学天体物理学系等离子体物理研究生项目的研究教授William Tang及其研究团队已利用深度学习和神经网络，接收大型信号数据库中的相关中断信号，这些信号均由领先的核聚变实验设施发出。他们已通过GPU加速计算证明，大幅提高中断预测的准确度和速度是有可能实现的。

高速预测

基于欧洲联合环状反应炉(JET，全球领先的托卡马克装置)中的实验数值，普林斯顿大学的研究团队已改进了其预测技术。EUROfusion JET已经授权普林斯顿大学将其数据库中超过0.5 pb的数据，输入至核聚变循环神经网络(FRNN)深度学习软件。

之前应用CPU的中断预测准确度有所提高，但预测出的典型问题通常需要一天时间来计算。Tang的研究团队仅在20个NVIDIA Tesla K20 GPU上部署其FRNN软件，就可以大幅提升预测准确度，并将执行时间缩短至一小时以内。他们已进一步证实，可以扩展至数千个更高级的GPU进行软件部署。Tang称之为一项“令人惊叹的”发现，因为将深度学习应用于核聚变研究可以加速科学发现，从而在全球范围内及更广泛的应用产生潜在的巨大影响。

普林斯顿大学早期建成的托卡马克核聚变实验反应堆

凭借这一研究成果，Tang及其所在的普林斯顿大学研究团队入围NVIDIA 2018年度全球影响力大奖(Global Impact Award)决赛的前四名。该奖项每年都会颁发20万美元，以奖励利用NVIDIA技术在解决社会、人道主义与环境问题上取得突破性进展的研究人员。

功能扩展

普林斯顿大学的研究团队已使用数千个GPU扩展其FRNN软件的功能，以此训练深度神经网络。近日，继FRNN在美国橡树岭国家实验室(Oak Ridge National Laboratory)泰坦超级计算机的6000个Tesla K20 GPU上成功运行后，FRNN已证明了东京工业大学(Tokyo Institute of Technology)的日本新型TSUBAME-3超级计算机上的NVIDIA Tesla P100 GPU数量能够扩展至3000个。

为进一步推进核聚变研究，中断预测和控制至关重要：研究目标是在法国在建的国际托卡马克装置（造价250亿美元）上进行测试。他们的研究课题是生产一种可持续燃烧等离子体，这种等离子体比JET提供的成功度量平衡等离子体（即能量输出等于能量输入）大一个数量级。

Tang表示，这可以与怀特兄弟在基蒂霍克(Kitty Hawk)试飞飞机相提并论。“航空业对交通运输业的后续影响是不可估量的，但清洁的聚变能源很有可能带来更大的影响。”