人工智能在聚变反应堆内找到隐藏的安全区
美国联邦聚变系统公司 （CFS） 之间的公私合作伙伴关系 美国能源部 （DOE） 的普林斯顿等离子体物理实验室 （PPPL） 和橡树岭国家实验室催生了一种新的人工智能 （AI） 方法，该方法可以更快地在聚变容器中找到所谓的“磁影”：免受等离子体高温影响的安全避风港。 被称为 HEAT-ML，新的人工智能可以为显着加快设计速度的软件奠定基础未来的聚变系统。 此类软件还可以通过调整等离子体，从而在聚变作期间做出良好的决策，从而在潜在问题开始之前得到阻止。 “这项研究表明，你可以采用现有代码并创建一个人工智能代理，这将加快你获得有用答案的能力，并且它在控制和场景规划方面开辟了有趣的途径，”迈克尔·丘吉尔说，他是《融合工程与设计》上一篇关于 HEAT-ML 的论文的合著者以及 PPPL 的数字工程主管。 聚变是一种为太阳和恒星提供燃料的反应，可以在地球上提供潜在的无限电力。 为了利用它，研究人员需要克服关键的科学和工程挑战。 其中一项挑战是处理来自等离子体的高温，当使用磁场限制在称为托卡马克的聚变容器中时，等离子体的温度会达到比太阳核心更高的温度。 加快预测这种热量将袭击到哪里，以及托卡马克的哪些部分在其他部分的阴影下是安全的，是将聚变发电引入电网的关键。 “托卡马克面向等离子体的组件可能会与等离子体接触，等离子体非常热，可能会熔化或损坏这些元素，”PPPL 副研究物理学家、HEAT-ML 论文的第一作者 Doménica Corona Rivera 说。 “可能发生的最糟糕的事情是你将不得不停止运营。” PPPL 放大通过公私合作产生的影响 HEAT-ML 专门用于模拟 SPARC 的一小部分：CFS 目前正在建造的托卡马克。 这家马萨诸塞州公司希望到 2027 年实现净能源增益，这意味着 SPARC 产生的能源将多于其消耗的能源。 ：模拟热量如何影响 SPARC 的内部是这一目标的核心，也是一项巨大的计算挑战。 为了将挑战分解为可管理的问题，团队专注于 SPARC 的一个部分，其中最强烈的等离子体散热与材料壁相交。 托卡马克的这个特定部分代表机器底部附近的 15 块瓷砖，是机器排气系统中承受最多热量的部分。 为了创建这样的模拟，研究人员生成了他们所谓的阴影掩码。 阴影掩模是磁性阴影的 3D 贴图，磁性阴影是聚变系统内部组件表面的特定区域，可防止直接热量。 这这些阴影的位置取决于托卡马克内部部件的形状以及它们如何与限制等离子体的磁力线相互作用。 创建模拟以优化聚变系统的运行方式 最初，一个名为 HEAT（即热通量工程分析工具包）的开源计算机程序计算了这些阴影掩模。 HEAT 是由 CFS 经理 Tom Looby 在与现任 SPARC 诊断团队负责人 Matt Reinke 一起攻读博士学位期间创建的，并且是首次应用于PPPL国家球面环面实验升级机的排气系统。 HEAT-ML 从组件表面追踪磁力线，以查看该线是否与托卡马克的其他内部部分相交。 如果是，则该区域将标记为“阴影”。 然而，追踪这些线并找到它们与详细的 3D 机器几何形状相交的位置是该过程中的一个重大瓶颈。 单次模拟可能需要大约 30 分钟，甚至对于一些复杂的几何形状来说，更长。 HEAT-ML 克服了这一瓶颈，将计算速度加快到几毫秒。 它使用深度神经网络：一种人工智能，具有隐藏的数学运算和参数层，它应用于数据，以通过寻找模式来学习如何完成特定任务。 HEAT-ML 的深度神经网络使用 HEAT 的大约 1,000 个 SPARC 模拟数据库进行训练，以学习如何计算阴影掩膜。 HEAT-ML 是目前与 SPARC 排气系统的具体设计有关; 它仅适用于特定托卡马克的一小部分，并且是 HEAT 代码中的可选设置。 然而，研究小组希望扩展其能力，以推广任何形状和尺寸的排气系统以及托卡马克内部其余面向等离子体的组件的阴影掩模的计算。 DOE 根据合同 DE-AC02-09CH11466 和 DE-AC05-00OR22725 支持这项工作，并且还收到了来自 CFS 的支持。