編輯 | 白菜葉
用於等離子體加熱的新型人工智慧（AI）模型所能做的事情超出了人們之前的想象，不僅可以在保持準確性的情況下將預測速度提高 1000 萬倍，而且還可以在原始數值程式碼失效的情況下正確預測等離子體加熱。
「憑藉我們的智慧，我們可以訓練人工智慧超越現有數值模型的限制。」美國能源部 (DOE) 普林斯頓等離子體物理實驗室 (PPPL) 的副研究員、物理學家 Álvaro Sánchez-Villar 說道。
Sánchez-Villar 的團隊開發了 NSTX 和 WEST 上的實時核心離子迴旋加速器頻率範圍 (ICRF) 加熱模型。該模型基於兩種非線性迴歸演算法，即決策樹的隨機森林整合和多層感知器神經網路。
該研究以「Real-time capable modeling of ICRF heating on NSTX and WEST via machine learning approaches」為題，於 2024 年 8 月 12 日釋出在《Nuclear Fusion》。
射頻（RF）波加熱系統是用來輔助加熱磁約束聚變裝置的重要方法之一，其中的離子迴旋頻率範圍（ICRF）加熱對託卡馬克裝置的執行效果和穩定性非常重要。
託卡馬克中的等離子體變化通常需要用複雜的數學模型來計算，但這些模型太耗時，無法用於實時控制。
因此，科學家們開始使用機器學習技術開發快速的替代模型，這些模型是根據計算機程式碼生成的資料進行訓練的，可以在保持精度的同時能大大縮短計算時間。雖然大部分資料與過去的結果一致，但在某些極端情況下，資料並不理想。
「我們觀察到一種引數化狀態，其中加熱曲線在相當任意的位置出現不規則的尖峰。」Sánchez-Villar 說，「沒有任何物理現象可以解釋這些尖峰。」
Sánchez-Villar 識別並刪除了訓練集中有問題的資料（稱為異常值），以訓練他們的 AI，因為這些場景不符合物理規律。「我們透過消除訓練資料集中的峰值來偏差我們的模型，但我們仍然能夠預測物理現象。」Sánchez-Villar 說道。
「正如所觀察到的，程式碼正確地消除了尖峰，但預計突出顯示的區域會產生更高的熱量。然而，沒有任何證據可以保證這些預測是物理的。」
然後，團隊又向前邁進了一步。經過數月的研究，Sánchez-Villar 發現並解決了問題，即數值模型的侷限性。隨後，他針對最初顯示隨機峰值的異常情況執行了修正版程式碼。
他不僅發現在所有有問題的情況下，解決方案都沒有出現峰值，而且令他驚訝的是，即使在關鍵的異常場景中，這些解決方案也幾乎與幾個月前預測的機器學習模型中的解決方案相同。
「這意味著，實際上，我們的替代實施相當於修復原始程式碼，只是基於對資料的精心管理，」Sánchez-Villar 說。「與每一項技術一樣，透過智慧使用，人工智慧不僅可以幫助我們更快地解決問題，而且比以前更好，並克服我們人類自身的限制。」
他的團隊開發了 NSTX 和 WEST 上的實時核心 ICRF 加熱模型。該模型基於兩種非線性迴歸演算法，即決策樹的隨機森林整合和多層感知器神經網路。這些演算法是在 TORIC ICRF 光譜求解器模擬中訓練的，該模擬假設了麥克斯韋等離子體，NSTX 和 WEST 中預期的平頂操作場景。
正如預期的那樣，這些模型還縮短了 ICRF 加熱的計算時間。這些時間從大約 60 秒縮短到 2 微秒，從而能夠加快模擬速度，而不會明顯影響準確性。這一改進將幫助科學家和工程師探索使核聚變成為實用電源的最佳方法。
論文連結：https://iopscience.iop.org/article/10.1088/1741-4326/ad645d
相關內容：https://phys.org/news/2024-10-ai-plasma-important-code-fusion.html