AI助力聚变装置磁影快速定位

美国能源部普林斯顿等离子体物理实验室（PPPL）发表的文章《利用人工智能更快发现聚变系统中的“磁影”》，详细介绍了PPPL、Commonwealth Fusion Systems和Oak Ridge美国国家实验室之间的公私合作伙伴关系。该合作催生了一种新的人工智能方法，能够更快地识别聚变装置中的“磁影”——这些区域是“免受等离子体高温影响的安全区”。

这项人工智能名为HEAT-ML，未来可能为加速聚变系统设计的软件奠定基础。文章指出，此类软件还能通过调整等离子体，在聚变运行期间做出明智决策，从而在问题出现之前将其化解。

PPPL数字工程负责人、HEAT-ML相关论文的合著者Michael Churchill表示：“这项研究表明，你可以利用现有代码创建一个AI替代模型，从而加速获得有用答案，并为控制和情景规划开辟了新思路。”

挑战：为了实现可控核聚变，研究人员需要克服科学与工程难题，包括应对等离子体的高温——在托卡马克聚变装置中，通过磁场约束的等离子体温度甚至超过太阳核心。AI可以加速预测托卡马克中高温区域的计算。

PPPL的副研究物理学家Doménica Corona Rivera说：“托卡马克的等离子体接触部件可能会与极热的等离子体接触，导致部件熔化或损坏。最糟糕的情况是可能被迫停止运行。”

聚焦点：HEAT-ML专门用于模拟CFS正在建造的托卡马克SPARC的一小部分。该公司希望到2027年展示净能量增益。

研究团队重点关注SPARC中等离子体热流最密集与材料壁相交的部分。该部分由装置底部的15块瓦片组成，承受着最高的热量。

为了创建模拟，研究人员生成了“阴影掩模”——磁影的3D地图。这些阴影是聚变系统内部组件表面免受直接热影响的区域。

模拟过程：HEAT-ML追踪组件表面的磁场线，以判断是否与托卡马克的其他内部部分相交。文章解释说，如果发生相交，则该区域被标记为阴影区。“然而，追踪这些线并找到它们与复杂3D装置几何结构的交点是这一过程的主要瓶颈。一个模拟可能需要约30分钟，甚至在某些复杂几何结构下耗时更长。”

HEAT-ML将计算速度提升至几毫秒。其神经网络通过约1000个SPARC模拟数据的训练，学会了如何计算阴影掩模。

目前，HEAT-ML仅适用于SPARC的排气系统特定设计，但研究团队正计划将其扩展到任何形状和尺寸的排气系统，以及托卡马克内其他等离子体接触组件的阴影掩模计算。