得益于人工智能 核聚变反应堆计算速度变得更快

核聚变反应堆技能能够以安全和可继续的办法满意咱们未来的电力需求。数值模型（Numerical models）能够为研讨人员供给关于聚变等离子体行为的信息，以及关于反应堆规划和运转有效性的名贵见地。不过，要求很多的等离子体相互作用进行建模，需求一些专门的模型，而这些模型的速度不足以供给反应堆规划和运转的数据。

来自埃因霍温理工大学运用物理系核聚变科学与技能组的 Aaron Ho 运用机器学习的办法，来加速堆芯等离子体湍流传输的数值模仿。他于 3 月 17 日进行了博士论文答辩。

核聚变反应堆研讨的最终方针是以经济可行的办法完成净功率的进步。为了到达这个方针，现已制作了大型杂乱的设备，但随着这些设备变得越来越杂乱，对其运转采纳猜测优先的办法变得越来越重要。这样能够削减运转功率低下的状况，并维护设备不受严峻损坏。

为了模仿这样的体系，需求能够捕捉到交融设备中所有相关现象的模型，这些模型要满意精确，以便猜测能够用来做出牢靠的规划决议计划，而且要满意快，以快速找到可行的解决方案。

在他的博士研讨中，Aaron Ho 经过运用根据神经网络的模型开发了一个满意这些规范的模型。这种技能有效地让模型以数据搜集为价值，一起保留了速度和精度。该数值办法被运用于一个减阶湍流模型QuaLiKiz，该模型能够猜测微湍流引起的等离子体传输量。这种特别的现象是托卡马克等离子体设备中最首要的传输机制。惋惜的是，它的核算也是现在托卡马克等离子体建模的限速要素。

Ho 成功地用 QuaLiKiz 点评操练了一个神经网络模型，一起将试验数据作为操练输入。然后将得到的神经网络耦合到一个更大的集成建模结构 JINTRAC 中，以模仿等离子体设备的中心。

经过用Ho的神经网络模型替换原有的QuaLiKiz模型，并比照成果，对神经网络的功能进行了评价。与本来的 QuaLiKiz 模型比较，Ho 的模型考虑了更多的物理模型，重复成果的精度在 10% 以内，而且将模仿时刻从 16 个中心的 217 个小时削减到单中心的2个小时。

然后为了查验模型在操练数据之外的有效性，在等离子体升压场景下，运用耦合体系进行优化操练，对模型进行了原理验证。这项研讨使人们对试验观测背面的物理学有了更深的了解，并强调了快速、精确和具体的等离子体模型的优点。

最终，Ho主张，该模型能够扩展到控制器或试验规划等进一步运用。他还主张将该技能扩展到其他物理模型，由于据调查，湍流传输猜测不再是约束要素。这将进一步进步归纳模型在迭代运用中的适用性，并能进行必要的验证作业，使其才能更接近于真实的猜测模型。