机器学习在核聚变研究中的力量
AI模型利用机器学习技术，专注于预测等离子体中电子和离子在受到离子回旋加速器频率范围(ICRF)加热时的行为。这种加热方法对于实现发生聚变反应所需的高温至关重要。PPPL的副研究物理学家Álvaro Sánchez-Villar，同时也是发表在《Nuclear Fusion》杂志上的研究的主要作者，他解释了他们工作的重要性：“通过我们的智慧，我们能够训练人工智能超越现有数值模型的局限。”该研究团队与五个机构合作，使用现有计算机代码生成的数据训练他们的 AI 模型。虽然这些数据中的大部分与之前的结果一致，但研究人员在某些极端情况下遇到了意想不到的结果。
克服现有模型的局限性
在研究过程中，团队在特定条件下发现了加热曲线的异常现象。Álvaro Sánchez-Villar描述了这一情况：“我们注意到，在某些参数设置下，加热曲线会出现莫名其妙的不稳定峰值，而这些峰值背后并没有物理原理的支持。”
美国能源部普林斯顿等离子体物理实验室的副研究物理学家阿尔瓦罗·桑切斯·维拉尔 (Álvaro Sánchez Villar) 开发了用于等离子体加热的新型 AI 模型，该模型可以提高预测速度，同时保持准确性，并在原始数字代码失败的地方提供准确的预测。(照片来源：Michael Livingston / PPPL 通讯部)这一发现使研究人员意识到：他们的AI模型不仅复制了现有代码，而且实际上正在改进它。通过仔细整理训练数据，他们有效地创建了原始代码的更准确版本。桑切斯-维拉尔强调了这一发现的含义："这意味着，实际上，我们通过数据的精心筛选，相当于间接修复了原始代码，"桑切斯·维拉尔解释道。"正如每一种技术一样，只要运用得当，人工智能不仅能帮助我们更迅速地解决问题，还能帮助我们以更好的方式解决问题，克服我们人类的局限。"
氘的加热曲线显示在 (d) 次要、(e) 主要和 (f) 严重异常值案例中。黑色表示原始数字代码与异常值特征(峰值)一起显示。红色显示 AI 模型的预测。绿色显示更正后代码的预测，AI 模型预料到这些预测，甚至预测更高的加热。(图片来源：Álvaro Sánchez-Villar / PPPL)
这些AI模型在速度上的提升同样令人瞩目。它们将ICRF加热预测的计算时间从60秒大幅缩短至2微秒，提升了1000万倍。这样的加速让研究人员能够进行更多模拟实验，并探索更多样化的情况，以期实现将聚变能转化为实用能源的目标。这些进步有可能使科学家和工程师能够快速迭代和优化他们的实验设计，从而显著加速聚变研究。快速准确地预测等离子体加热行为的能力可以带来更高效的聚变反应器设计，并使我们更接近实现可持续的聚变能源。
这些AI模型在等离子体加热预测方面的成功为将机器学习技术应用于聚变研究的其他方面开辟了新的可能性。随着AI在克服传统数值模型局限性方面不断证明其价值，我们可能会看到聚变科学中向更多AI集成方法的转变。
