AI加速聚变技术发展
摘要
新型人工智能HEAT-ML能够加速聚变系统设计和运行决策，通过深度神经网络计算托卡马克部件的阴影掩模，大幅缩短模拟时间，并为聚变发电的实现提供关键技术支持。
这种名为HEAT-ML的新型人工智能可能为大幅加速未来聚变系统设计的软件奠定基础。此类软件还能够在聚变运行过程中通过调整等离子体来做出明智决策，从而在潜在问题发生前加以遏制。
“这项研究表明，你可以利用现有代码创建一个AI替代模型，以加速获取有用答案的能力，并在控制和情景规划方面开辟有趣的途径，”迈克尔·丘吉尔表示。他是关于HEAT-ML的论文《聚变工程与设计》的合著者，同时也是普林斯顿等离子体物理实验室（PPPL）数字工程负责人。
聚变是驱动太阳和恒星的核反应，可能为地球提供近乎无限的电力。为了利用这种能源，研究人员需要克服关键的科学和工程挑战。其中一个挑战是处理来自等离子体的极端高温——当等离子体被约束在名为托卡马克的聚变装置中时，其温度比太阳核心还要高。加速计算预测这些热量将冲击何处以及托卡马克的哪些部分会在其他部分的阴影下保持安全，是实现聚变发电的关键。
“托卡马克的面向等离子体部件可能会与极高温的等离子体接触，可能导致这些部件熔化或损坏，”PPPL的副研究物理学家、HEAT-ML论文的第一作者多梅尼卡·科罗娜·里维拉表示。“最糟糕的情况是，你可能不得不停止运行。”
模拟热量如何影响SPARC内部是实现这一目标的核心，也是一项巨大的计算挑战。为了将挑战分解为可管理的任务，团队专注于SPARC中最为强烈的等离子体热排放与材料壁相交的部分。托卡马克的这一特定部分（机器底部附近的15块瓷砖）是机器排气系统中承受热量最多的部分。
为了创建此类模拟，研究人员生成了所谓的阴影掩模。阴影掩模是磁阴影的3D地图，它们是聚变系统内部部件表面上被屏蔽免受直接热量的特定区域。这些阴影的位置取决于托卡马克内部部件的形状及其与约束等离子体的磁场线的相互作用方式。
HEAT-ML通过追踪部件表面的磁场线来判断该线是否与托卡马克的其他内部部件相交。如果相交，则该区域被标记为“阴影”。然而，追踪这些线并找到它们与详细3D机器几何图形的交点曾是这一过程中的重大瓶颈。单次模拟可能需要约30分钟，某些复杂的几何形状甚至需要更长时间。
HEAT-ML克服了这一瓶颈，将计算速度提升至几毫秒。它使用了一种深度神经网络：一种具有隐藏数学运算层和参数的AI，通过对数据应用这些运算和参数来学习如何完成特定任务。HEAT-ML的深度神经网络通过从HEAT数据库中约1,000次SPARC模拟中学习，掌握了如何计算阴影掩模。
HEAT-ML目前与SPARC排气系统的特定设计绑定，仅适用于该托卡马克的这个小部分，并且是HEAT代码中的一个可选设置。然而，研究团队希望扩展其功能，使其能够通用化计算任何形状和大小的排气系统以及托卡马克内其他面向等离子体部件的阴影掩模。
研究报告：《使用HEAT代码和机器学习方法预测SPARC托卡马克中面向等离子体部件的阴影掩模》