AI生成聚变堆钨材料微观结构合成数据

真实扫描电子显微镜钨微观结构（左列）与机器学习生成合成微观结构（右列）在不同模型设定参数值下的比较图。调整模型设置可以控制合成微观结构的多样性或清晰度。（图片来源：ORNL，美国能源部）

研究人员已开发出一种模型，能够生成接近聚变堆条件下钨表面真实特写图像的合成数据。

钨是聚变装置中面向等离子体部件（PFCs）的首选材料，因此了解钨的性能对部件设计的安全性和使用寿命至关重要。

其超高熔点、高温强度、导热性和低溅射产额使得即使在如此极端环境下仍能保持高性能。但钨并非坚不可摧。聚变等离子体附近强烈的热流、热循环和辐照会导致微观变化，包括再结晶和开裂，最终可能导致部件失效。

因此，了解钨在聚变相关条件下的微观结构变化十分必要。扫描电子显微镜（SEM）成像是一种有效工具，但其成本高昂且在大规模应用时存在后勤挑战。

在《核材料杂志》发表的一篇论文中，研究人员利用受控基础温度和热流条件下电子束热流暴露研究中获得的3，200张钨SEM图像，训练了一个生成式机器学习模型，研究聚焦于单一SEM放大倍数和钨等级。团队使用该模型生成了涵盖一系列暴露条件的物理可信的钨SEM微观结构。

该项目由ORNL研发科学家Rinkle Juneja领导，并得到了来自Oak Ridge美国国家实验室、威斯康星大学麦迪逊分校以及聚变能与核废物管理研究所合作者的参与，相关内容已在ORNL新闻稿中报道。

“这项工作的目的不是为了生成漂亮的图片，而是为了捕捉这些材料真实损伤的统计特征，”Juneja表示。“我们训练生成式工作流程来学习钨的微观结构特征，例如裂纹图案，使其能够生成新的、统计上一致的微观结构，为面向等离子体部件（PFC）聚变材料进行稳健、数据驱动的评估奠定基础。”

据论文所述，研究结果展示了数据高效、条件感知生成式建模的能力，该模型可作为辅助直接测量的退化模型和虚拟实验的工具，具有弥补微观结构表征关键空白的潜力。该模型可扩展应用于钨之外的面向等离子体部件（PFC）研究。