聚变的未来：利用 AI 的精确度解锁复杂的物理场

由物理学引导的神经网络正在创造观察等离子体复杂性的新方法。

聚变实验在极端条件下进行，极高温物质包含在专门的真空室中。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，难以表征湍流等离子体。这使得很难将模型与实验聚变装置的测量结果进行比较。

桥接等离子体建模和实验

作为回应，研究人员展示了一种桥接等离子体建模和实验的新方法。研究人员利用通常安装在带有滤光片的聚变装置中的相机的照片，开发了一种推断电子密度和温度波动的技术。核聚变科学家可以在实验中使用这些信息，以符合理论的方式预测等离子体场。

利用托卡马克等离子体边缘的光（左图），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喷气的分布（右）。图片来源：A. Mathews、J. Hughes 和 J. Mullen

预测建模的挑战

聚变实验中等离子体湍流的预测建模具有挑战性。这是由于难以对这些混沌系统边界的条件进行建模。研究人员使用一种定制的物理信息机器学习方法，开发了一个框架，能够直接解决通常在实验聚变装置边界中无法解决的等离子体特性。这使科学家能够预测等离子体波动在实验中的行为。它还允许他们以与理论一致的方式测试预测模型。这种湍流建模在以前是不实用的。

聚变等离子体中限制的重要性

聚变等离子体的充分限制对于实现净聚变能生产的目标至关重要。预测约束的一个关键组成部分是了解等离子体不稳定性会导致聚变装置内冷却和性能损失的方式。因此，融合社区花了几十年的时间改进实验的测量能力，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设备中部署诊断非常困难。麻省理工学院的研究人员最近发表了两篇论文，以应对这一挑战。

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使用一种新颖的、基于物理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，将常用的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。结果是对以前未观察到的等离子体动力学的新颖的实验见解。

在第二篇论文中，该团队将这种关于电子的动力学信息与广泛使用的等离子体湍流理论相结合，以预测与实验环境中的偏微分方程直接一致的电场波动。这项工作超越了传统的数值方法，而是使用专门创建的物理信息神经网络架构来开发一种用于等离子体非线性特性的新型建模。这项工作为理解理论预测是否与观察结果相符开辟了新的科学途径。