神经网络与未来的 NSTX-U装置结合,加速核聚变技术的研究

随着机器学习的发展，越来越多的领域都从中获取到了发展的巨大力量。除了自动驾驶、人脸识别、理解语言外，机器学习还将帮助人类创造更加清洁的能源未来。

来自普林斯顿等离子物理实验室的研究人员们将机器学习应用到等离子体的建模和预测中，使得快速调控产生热核聚变的等离子体成为可能。

炽热的等离子体

太阳和绝大多数恒星上都由等离子体进行着不断的聚变，照亮了白天闪耀着黑夜。等离子体是一种由自由电子和原子核/离子组成的物质状态是驱动聚变的基础。

在地球上，人们使用托卡马克等磁约束设备将超高温的等离子体约束起来，模拟太阳的聚变反应，期待实现能产生几乎无限能源的可控核聚变。

科学家必须加热并控制等离子体的状态才能稳定有效地控制设备输出能量。普林斯顿的研究人员利用机器学***提升了对于等离子体的控制效果。

神经网络

研究人员利用机器学习中的代表性方法——神经网络构建了模型，并在先进聚变设备NSTX-U产生的数据上进行了训练。

训练后的模型可以精确的预测中子束射流产生高能粒子的动力学行为，而这些高能粒子真实用于生成和加热聚变反应的原料，它们将会把等离子体加热到上百万度以便开始热核反应。

在此之前研究人员通常使用复杂的程序来对粒子行为进行预测，这种称为NUBEAM的程序需要节约和中子束与等离子体的碰撞信息才能计算。理想情况下，如果要分析实验中等离子体的行为，这种复杂的计算需要事先每秒上百次的分析。

然而现实情况却是每次这样的复杂计算在现有技术水平下需要耗时几分钟，研究人员只能在每次只持续几秒的实验结束后慢慢进行数据分析。

最新的机器学习模型则将这一预测时间减小到了150ms内，使得分析计算得以在每次实验过程中进行。

这一模型最初的应用在于估计等离子体行为中不易直接测量的特点。这一技术与机器学习技术结合后，就可以根据有限的测量进行实时预测，能够帮助系统更好的控制等离子体系统，并调整粒子注入方式以优化和维持等离子体的稳定性，这对于核聚变反应至关重要。

快速评测

除了在实验过程中的实时分析，两次实验之间的快速测评将帮助操作员更好的理解系统的状态并调整下次实验。在15-20分钟的实验间隔中，加速模型将给操作员提供丰富的信息来调整中子射流，以便改进下一次实验的表现。

研究人员同时还构建了包含各种状况等离子体的NUBEAM计算数据集，可以利用它们训练网络预测中子束与等离子体作用的效果，包括加热过程和电流包络等。在与软件工程师的合作下，他们还开发出了评测软件来在计算机上测试模型对于聚变反应主动控制的效果。

研究人员们在不断开发新的机型，为了尽量避免等离子的意外瓦解，减少对实验设备造成的巨大损害。他们还充分利用了机器学习来预测等离子体瓦解的过程。

研究人员通过RNN来处理传感器传来的数据，并在每ms更新系统的瓦解率，在达到报警阈值是发出信号来控制气体注入减小等离子体瓦解产生的副作用。

研究人员表示未来将把神经网络与未来的NSTX-U装置结合起来，并应用于其他的聚变装置，并且将会把这种方法拓展到聚变中多种等离子体行为的研究中，加速核聚变技术的研究。