編輯 | KX
等離子體離子溫度和旋轉速度是評估聚變實驗的重要引數之一，對等離子體穩定性和約束效能有重要影響。如何實現等離子體離子溫度和旋轉速度的快速精確測量，一直是聚變裝置穩定高引數執行所面臨的關鍵技術問題之一。
近日，中國科學院合肥物質科學研究院的研究團隊在等離子體關鍵引數診斷研究方面取得新進展。
該研究基於先進實驗超導託卡馬克（EAST）裝置上的 X 射線晶體譜儀（XCS）獲得等離子體光譜資料，並利用人工神經網路模型實現了等離子體旋轉速度和離子溫度剖面的快速預測。
相關研究結果以《Prediction of plasma rotation velocity and ion temperature profiles in EAST Tokamak using artificial neural network models》為題，發表在《Nuclear Fusion》雜誌上。
快速準確地獲取等離子體的關鍵引數（如電子密度、電子溫度和離子溫度）對於提高託卡馬克放電效能至關重要。因此，科學家做出了很多努力來改進當前託卡馬克的硬體效能和資料分析技術。然而，仍然存在一些挑戰。
人工神經網路（ANN）可以直接快速處理離散光譜資料，實現實時計算並提供快速、準確的結果，而無需傳統的曲線擬合。ANN 已被用於解決不同磁約束聚變裝置中的各種實時問題，比如，EAST 上的中斷預測。
在此，研究人員重點關注 ANN 在 EAST 上的 X 射線晶體光譜儀 (XCS) 資料分析中的應用，旨在快速推斷離子溫度和旋轉速度分佈。
研究團隊建立了兩種型別的模型：深度神經網路 (DNN) 和卷積神經網路 (CNN)，用於實時計算弦積分離子溫度。透過部分的交叉驗證方法，證明了模型的預測結果與目標值之間的強相關性。
神經網路預測預測離子溫度的時間軌跡如下圖所示，結果不僅與傳統的非線性擬合方法一致，而且與 DNN 結果一致。結論是，DNN 的預測可以作為提高 CNN 在實際應用中的準確性的基準。此外，很明顯，在放電上升和下降過程中，誤差更大。這可能歸因於原始訊號中較弱的光子計數，這也是傳統方法難以解決的挑戰。
神經網路的應用將顯著加快離子溫度和旋轉速度分佈的計算速度。為了量化計算效率的提高，對非線性擬合方法（1.126 s）、DNN 模型（0.044 s）和 CNN 模型（0.031 s）進行了每個分佈的平均計算時間的比較分析。
結果表明，計算時間縮短至幾十毫秒，比傳統的數值非線性擬合演算法快 10 倍以上。值得注意的是，CNN 的時間稍長，這是由於預測不確定性所需的額外計算。這一結果強調了神經網路取代傳統方法的潛力，在保持可接受的精度標準的同時，加速線積分離子溫度和旋轉速度分佈的計算。
此外，模型還具備對輸入資料範圍和誤差的自動識別能力，為提升診斷系統的智慧化水平奠定了基礎。
最後，CNN 還被用於預測弦積分旋轉速度剖面和局域的離子溫度剖面，驗證了該模型的穩健性。需要指出的是，此模型演算法不侷限於特定的診斷系統和物理模型，可以較為快捷地移植並應用於多種診斷系統的資料分析過程。
研究團隊表示，這項研究提高了預測聚變裝置中離子溫度和旋轉速度分佈的準確性和速度，同時為更廣泛的聚變應用提供了適應性強的自動化解決方案。
參考內容：https://phys.org/news/2024-10-neural-networks-boost-fusion-rapid.html