聚变的未来：用人工智能的精度解开复杂物理学的谜团
以物理学为指导的神经网络正在创造观察等离子体复杂性的新方法。聚变实验是在极端条件下进行的，在专门的真空室中装有温度极高的物质。这些条件限制了诊断工具收集聚变等离子体数据的能力。此外，等离子体的计算机模型非常复杂，很难描述湍流等离子体的特征。因此很难将模型与实验聚变装置的测量结果进行比较。
等离子体建模与实验之间的桥梁
为此，研究人员展示了一种连接等离子体建模和实验的新方法。研究人员利用常规安装在聚变装置中的带有光学滤镜的相机拍摄的照片，开发出了一种推断电子密度和温度波动的技术。聚变科学家可以在实验中利用这些信息，以符合理论的方式预测等离子体场。
利用来自托卡马克中等离子体边缘的光线（左侧为内部视图），物理信息神经网络重建了等离子体密度和温度的湍流波动以及探测氦气泡的分布（右侧）。作者：A. Mathews、J. Hughes 和 J. Mullen
预测建模面临的挑战
聚变实验中等离子体湍流的预测建模具有挑战性。这是因为很难对这些混沌系统的边界条件进行建模。研究人员利用定制的物理信息机器学习方法，开发了一个框架，能够直接求解核聚变实验装置边界通常无法解决的等离子体特性。这使科学家们能够预测等离子体波动在实验中的表现。这也使他们能够以符合理论的方式测试预测模型。这种湍流建模以前并不实用。
聚变等离子体中约束的重要性
聚变等离子体的充分约束对于实现净聚变能量生产的目标至关重要。预测约束的一个关键要素是了解等离子体的不稳定性如何导致聚变装置内的冷却和性能损失。因此，聚变界花了几十年的时间来提高实验的测量能力，以完善预测模型。然而，聚变所需的极端温度和真空条件使得在聚变装置内部署诊断设备非常困难。
麻省理工学院的研究人员最近针对这一挑战发表了两篇论文。
麻省理工学院的创新研究
在第一篇论文中，研究人员展示了如何利用一种新颖的、以物理学为基础的人工智能框架，将实验数据与辐射建模和动力学理论相结合，将常用快速相机收集的光子计数转换为湍流尺度上的电子密度和温度波动。其结果是对以前未观察到的等离子体动力学的新颖实验见解。
在第二篇论文中，研究小组利用这些电子动态信息，结合广泛使用的等离子体湍流理论，在实验环境中直接预测出与偏微分方程相一致的电场波动。这项工作超越了传统的数值方法，而是利用专门创建的物理信息神经网络架构，为等离子体的非线性特性开发了一种新型建模方法。这项工作为了解理论预测是否与观测结果相匹配开辟了新的科学途径。
参考资料
A.
Mathews、J. L. Terry、S. G. Baek、J. W. Hughes、A. Q. Kuang、B. LaBombard、M.
A. Miller、D. Stotler、D. Reiter、W. Zholobenko 和 M. Goto 的《来自气泡湍流成像的等离子体和中性波动深度建模》，2022 年 6 月 16 日，《科学仪器评论》。
doi: 10.1063/5.0088216
《基于边界湍流实验图像的漂移还原布拉金斯基理论与等离子体-中性相互作用的深电场预测》，作者：A. Mathews、J. W. Hughes、J. L. Terry 和 S. G. Baek，2022 年 12 月 2 日，《物理评论快报》。
DOI: 10.1103/PhysRevLett.129.235002
编译来源：ScitechDaily
