AI提升聚变等离子体诊断精度

这就是一种新型人工智能背后的基本概念，该人工智能能够填补等离子体（聚变燃料）缺失的数据，据普林斯顿大学的Azarakhsh Jalalvand介绍。Jalalvand是最近发表在《自然·通讯》上关于这种名为Diag2Diag的人工智能论文的主要作者。"我们发现了一种方法，可以从系统中的多个传感器获取数据，并为该系统中另一种类型的传感器生成合成版本的数据，"他说。合成数据与现实世界的数据一致，并且比实际传感器能够提供的更加详细。这可以提高控制的鲁棒性，同时降低未来聚变系统的复杂性和成本。"Diag2Diag还可以应用于其他系统，如航天器和机器人手术，通过增强细节并从故障或性能下降的传感器中恢复数据，确保关键环境中的可靠性。"

这项研究是普林斯顿大学、美国能源部普林斯顿等离子体物理实验室、中央大学、哥伦比亚大学和首尔国立大学科学家之间国际合作的结果。用于开发该人工智能的所有传感器数据都是从DIII-D国家聚变设施（美国能源部用户设施）的实验收集的。

这种新的人工智能增强了科学家监测和控制聚变系统内等离子体的方式，有助于保持未来商业聚变系统作为可靠电力来源。"今天的聚变装置都是实验性实验室机器，所以如果传感器出现问题，最坏的情况是我们需要等待一段时间才能重新开始实验。但如果我们考虑将聚变作为能源来源，它需要24/7不间断运行，"Jalalvand说。

聚变系统中有许多诊断设备测量等离子体的不同特性。例如，汤姆逊散射是一种用于称为托卡马克的环形聚变系统的诊断技术。汤姆逊散射诊断测量带负电的电子粒子的温度以及密度：单位空间内电子的数量。它能够快速进行测量，但速度不足以提供等离子体物理学家保持等离子体稳定和最佳性能所需的详细信息。

"Diag2Diag相当于在不花费硬件成本的情况下为您的诊断设备提供提升，"该研究的首席研究员Egemen Kolemen说，他在普林斯顿等离子体物理实验室和普林斯顿大学安德林格能源与环境中心以及机械与航空航天工程系联合任职。

这对汤姆逊散射尤其重要，因为其他诊断设备无法在等离子体边缘（也称为基座）进行测量。这是等离子体最重要的监测部分，但很难测量。仔细监测基座有助于科学家提高等离子体性能，从而学习如何高效地从聚变反应中获得最大能量的最佳方法。

要使聚变能成为美国电力系统的主要组成部分，它必须既经济又可靠。普林斯顿等离子体物理实验室的科研人员SangKyeun Kim是Diag2Diag研究团队的成员，他表示这种人工智能推动美国朝着这些目标前进。"今天的实验性托卡马克有很多诊断设备，但未来的商业系统可能需要少得多，"Kim说。"这将通过最小化不直接参与产生能量的组件来使聚变反应堆更加紧凑。"更少的诊断设备也释放了机器内部宝贵的空间，简化系统也使其更加鲁棒和可靠，出错的机会更少。此外，它还降低了维护成本。

"由于汤姆逊诊断的限制，我们通常无法观察到这种平坦化现象，"同样参与该项目的普林斯顿等离子体物理实验室首席研究科学家Qiming Hu说。"Diag2Diag提供了关于这种情况如何发生以及如何演变的更多细节。"

虽然磁岛可能导致边缘局域模，但越来越多的研究表明，它们也可以通过使用共振磁扰动进行微调来改善等离子体稳定性。Diag2Diag生成的数据提供了新的证据，表明等离子体基座区域温度和密度同时平坦化。这有力地支持了边缘局域模抑制的磁岛理论。理解这一机制对于商业聚变反应堆的发展至关重要。

科学家们已经在制定计划扩大Diag2Diag的应用范围。Kolemen指出，一些研究人员已经表示有兴趣尝试这种人工智能。"Diag2Diag可以应用于其他聚变诊断设备，并且广泛适用于其他诊断数据缺失或有限的领域，"他说。

研究报告：《多模态超分辨率：发现隐藏物理及其在聚变等离子体中的应用》

相关链接

普林斯顿大学

21世纪世界能源供应 - Energy-Daily.com