机器学习使聚变能源成为可能

麻省理工学院的研究人员正在测试机器学习技术，以更好地了解聚变能中的湍流等离子体现象。根据麻省理工学院新闻最近的一篇文章，在Physical Review E和Physics of Plasmas 上发表的两篇论文中，开发了一种新的深度学习框架，该框架利用人工神经网络来表示减少的湍流理论。

所有核聚变研究人员的目标是使该技术成为全球电网的可行能源。要做到这一点，需要理解和解决无数物理和工程问题，例如理解等离子体的湍流运动，即离子和电子在反应器中移动的集合。称为托卡马克的环形结构的场线迫使等离子体粒子被限制足够长的时间以产生显着的净能量增益，当您不仅有高温而且还有小空间时，这是一个挑战。

科学家们正专注于等离子体湍流的数值模拟，以更好地了解未来聚变反应堆内部的状况。但这些计算很复杂。在保持预测准确性的同时工作得更快的简化理论的发展可以加快进展。

核聚变

等离子体是构成可观测宇宙 99.9% 以上的物质，被称为物质的第四态（其他已知状态是固态、液态和气态）。在足够高的能量下，气体被电离，产生带正电的粒子（原子核）和带负电的粒子（电子）的混合物。虽然恒星中的等离子体受到巨大重力的限制，但地球上的情况并非如此。主要挑战之一是开发能够将等离子体加热到所需温度并将其限制在足够长的时间以进行热核反应以释放维持新聚变反应的动能的设备。一种被称为磁约束的有前途的方法被用于称为托卡马克（“磁环室”的俄语缩写）的设备中，

这些是非常复杂的机器，从高温等离子体条件（超过 100,000,000 度）到操作超导磁体所需的低温（低于-200 摄氏度）仅需几米。

建造这些设备是一项具有挑战性的任务，尤其是因为与等离子体相关的不稳定性，这会对反应堆组件造成损坏的危险。然而，这种限制具有安全优势，因为链式反应基本上永远不会失控地发展。

托卡马克配置中的磁场必须是三种类型： 环形磁场，由环形线圈产生；环形场，由环形线圈产生；和由环形线圈产生的环形场。这些线圈的目的是沿机器的对称轴产生磁场，推动带电等离子体粒子沿该方向流动。控制等离子体位置的外部线圈提供垂直场。极向场由流过等离子体的电流产生并保持平衡。

等离子体湍流

磁约束聚变装置在聚变发电厂的粒子和能量约束方面存在重大不确定性。由于机载等离子体的环境对各种工艺有很大影响，因此边界区域对于评估聚变装置的整体实用性至关重要，等离子体和整个结构的建模仍然是一项关键任务。

与边界等离子体相关并广泛应用于分析边缘湍流的一种特殊传输理论是减少漂移的 Braginskii 模型。几十年来，托卡马克物理学家经常使用这种简化的“双流体理论”来模拟实验中的边界等离子体，尽管其精确度尚不确定。

通过这项工作，他们还展示了一种新的深度学习技术，可以诊断与减少漂移的 Braginskii 理论直接一致的未知湍流场波动。众所周知，等离子体湍流难以模仿，比空气或水湍流更难模仿。通过将机器学习技术嵌入到方程中，您可以从少量观察中获得大量信息。据麻省理工学院的研究人员称，这些新颖的分析方法可以为评估混沌系统开辟新途径，并扩大关于聚变等离子体湍流的发现范围。

审核编辑：汤梓红