MIT使用人工智能以新的方式观察聚变实验的等离子体边缘

麻省理工学院的研究人员正在使用一种新颖的机器学习技术测试一种简化的湍流理论对复杂的等离子体现象进行建模的能力。为了使聚变能源成为世界能源网的可行资源，研究人员需要了解等离子体的湍流运动：在反应堆容器中旋转的离子和电子的混合物。

等离子体粒子在被称为托卡马克的环形室中沿着磁场线运动，必须被限制足够长的时间，以使核聚变装置产生明显的净能量收益，当等离子体的热边缘(超过100万摄氏度)与更冷的固体容器壁仅有几厘米的距离时，最大的挑战由此产生。

在麻省理工学院等离子体科学与聚变中心(PSFC)工作的核科学与工程系博士生Abhilash Mathews认为，这个等离子体边缘是一个特别丰富的未解答问题的来源。作为一个湍流边界，它是了解等离子体约束、燃料和可能撞击材料表面的潜在破坏性热流的核心--这些因素影响着聚变反应堆的设计。

为了更好地理解边缘条件，科学家们专注于使用数值模拟对该边界的湍流进行建模，这将有助于预测等离子体的行为。然而，该区域的"第一原理"模拟是聚变研究中最具挑战性和最耗时的计算之一。如果研究人员能够开发出运行速度更快、但具有量化水平的"简化"计算机模型，那么进展就会加快。

几十年来，托卡马克物理学家经常使用缩小的"双流体理论"，而不是更高保真度的模型来模拟实验中的边界等离子体，尽管在准确性方面存在不确定性。在最近的出版物中，马修斯开始以一种新的方式直接测试这种缩小的等离子体湍流模型的准确性：将物理学与机器学习相结合。

"一个成功的理论应该是预测你要观察到的东西，"Mathews解释说，"例如，温度、密度、电动势、流量。而正是这些变量之间的关系，从根本上定义了湍流理论。我们的工作实质上研究的是其中两个变量之间的动态关系：湍流电场和电子压力。"

在发表于《物理评论E》的第一篇论文中，Mathews采用了一种新颖的深度学习技术，使用人工神经网络来构建制约还原流体理论的方程的表示。有了这个框架，他展示了一种从等离子体中的电子压力波动中计算湍流电场的方法，与还原流体理论一致。当应用于湍流等离子体时，通常用于将电场与压力联系起来的模型会被打破，但这个模型甚至对嘈杂的压力测量也很稳定。

在发表在《等离子体物理学》上的第二篇论文中，Mathews进一步研究了这种联系，将其与更高保真度的湍流模拟进行对比。这种对不同模型的湍流的首次比较，在之前是非常困难的，因为难以做到精确评估。Mathews发现，在与现有核聚变装置相关的等离子体中，缩小的流体模型预测的湍流场与高保真计算结果一致。在这个意义上，减少的湍流理论是有效的。但是为了完全验证它，"我们应该检查每个变量之间的每一个联系，"Mathews说。

首席研究科学家Jerry Hughes指出，等离子体湍流是众所周知的难以模拟的，比在空气和水中看到的熟悉的湍流更难。"这项工作表明，在正确的条件下，物理学上的机器学习技术可以从有限的观察开始，描绘出快速波动的边缘等离子体的非常完整的画面。我很高兴看到我们如何将其应用于新的实验，在这些实验中，我们基本上不会观察到我们想要的每一个数量。"

这些基于物理学的深度学习方法在测试旧理论和扩大从新实验中可以观察到的东西方面铺设了新的途径。德克萨斯大学奥斯汀分校融合研究所的研究科学家David Hatch认为，这些应用是一种有前途的新技术的开始。

"Abhilash的工作是一项重大成就，具有广泛的应用潜力，"他说。"例如，给定一个特定等离子体数量的有限诊断测量，物理学上的机器学习可以推断出附近领域的其他等离子体数量，从而增强一个给定诊断所提供的信息，该技术还为模型验证开辟了新的策略。将这些技术转化为真实边缘等离子体的聚变实验是我们眼前的一个目标，目前工作正在进行中，但这只是一个开始"。