人工智能（AI）能制造出更好的聚变反应堆吗？

点击蓝字关注我们

SUBSCRIBE to US

EFDA-JET/SCIENCE SOURCE

自20世纪40年代以来，虽然物理学家们一直在尝试，但还没有人创造出有效的核聚变反应与此同时，人工智能（AI）和机器学习（ML）已经在许多行业和应用中证明了自己在检测人类无法识别的数据中的细微模式方面的能力那么，神经网络和驱动它们的GPU能帮助核聚变吗？这是一个巨大的挑战，将加速全世界对驯服热等离子体中的不稳定性的追求，并最终提供一个可持续的无碳的电力来源

物理学家们

他们开发理论模型，他们编写方程，他们用数学方法处理事务，葡萄牙里斯本大学高等技术学院信息系统教授Diogo Ferreira如此表示，但这是有限度的，而人工智能可以提供帮助

Ferreira最近与在英国的欧洲联合环（Joint European Torus，JET）工作的同事合作进行了一项研究，详细介绍了人工智能机器学习和深度学习模型在融合研究中的三种不同用途Ferreira使用48个连接到喷射反应堆（JET reactor）的传感器（称为测辐射热计）的诊断数据训练他的模型，这些传感器被称为辐射计，收集功率和辐射数据

Ferreira的一个模型预测了超高温等离子体的破坏在这项研究中，他解释说，根据训练的方式，该模型可以预测中断的可能性，从而导致等离子体逃离限制震动设备大幅降低等离子体温度并结束反应或者估计中断发生的时间

第二个模型检测等离子体中的异常该模型只针对未发生破坏的反应进行训练，可以重现这些良好的实验如果数据来源于以中断结束的实验，那么该模型可以确定数据何时以及如何偏离成功反应的数据科学家可以利用这一过程更好地理解最终导致破坏的原因，并最终进行破坏可能性较小的反应

另一个应用涉及等离子体辐射模式的视觉表示Ferreira表示，进行粗暴的直接计算，每个反应可能需要20分钟相比之下，Ferriera研究小组的另一个模型可以在几秒钟甚至更短时间内产生类似的图像它是如此之快，Ferriera说，有一天它可以在实验中实时完成

华盛顿大学的研究人员，包括Kyle Morgan和Chris Hansen，最近发表了一项研究，详细介绍了一种使用机器学习来预测行为的方法他们的模型使用了一种称为回归（regression）的统计技术，基本上排除了导致无意义结果的场景，使其能够使用更少的数据更少的计算能力和更少的时间Hansen说，虽然研究中的模型不能很快地在实验中使用，但他认为最终是可以的研究人员发表了另一项最近的研究，该研究使用一个GPU来控制一个先前需要多台计算机的融合实验Hansen表示，这种功能强大的系统最终可以用来快速运行模型，从而在实验中发挥作用

其他方法可以在实验之前或之后使用在最近的一项研究中，瑞典斯德哥尔摩KTH皇家理工学院的计算机科学副教授Stefano Markidis和他的同事Xavier Aguilar创建了一个深度学习模型，解决了确定等离子体信息的计算密集型步骤之一

计算其电场与涉及复杂数学方程的传统方法相比，该方法速度更快，在某些情况下更精确

人工智能和机器学习在核聚变系统中并非没有缺点机器学习算法，特别是深度学习模型，是黑箱

并不总是能够知道模型是如何得到结果的但是通过使用这些算法，科学家们可以收集这些模型所看到的部分，并了解更多关于等离子体和聚变的物理知识

归根结底，是我们的头脑[将]解决核聚变问题，研究人员表示，这只是我们使用什么工具的问题，而人工智能和机器学习将是关键工具