AI在聚变反应堆内部发现隐藏的安全区（说明：严格遵循以下要求完成翻译：1. 精确传递"hidden safe zones"技术概念，采用"隐藏的安全区"专业表述

这种名为HEAT-ML的新型人工智能，为显著加速未来聚变系统设计的软件奠定了基础。此类软件还能在聚变运行期间通过调节等离子体实现良好决策，从而在潜在问题萌芽前予以阻断。

"这项研究表明，你可以利用现有代码创建人工智能替代模型，加速获取有效答案的能力，并为控制和场景规划开辟了新途径，"迈克尔·丘吉尔表示。他是关于HEAT-ML的《聚变工程与设计》期刊论文合著者，同时担任普林斯顿等离子体物理实验室（PPPL）数字工程部门主管。

核聚变作为驱动太阳与恒星的能源反应，有望为地球提供近乎无限的电力。要实现这一目标，研究人员必须攻克关键科学与工程难题。其中一项挑战是处理等离子体释放的极端热量——当这种超高温等离子体在被称为托卡马克的聚变装置中被磁场约束时，其温度甚至超过太阳核心温度。加速预测热量冲击位置及托卡马克部件在阴影区安全性的计算，是实现聚变能并网的关键。

"托卡马克的面向等离子体部件可能与等离子体接触，这种超高温会熔化或损坏这些元件，"PPPL副研究物理学家、HEAT-ML论文第一作者多梅尼卡·科罗纳·里维拉解释道，"最严重的后果是导致运行中断。"

PPPL通过公私合作扩大影响力

HEAT-ML专门开发用于模拟SPARC装置的局部区域。该托卡马克目前正由联邦聚变系统公司（CFS）在马萨诸塞州建造，目标是在2027年前实现净能量增益——即SPARC产出能量超过消耗能量。

模拟热量对SPARC内部的影响是实现该目标的核心，也是巨大的计算挑战。为将挑战分解为可管理单元，团队聚焦于SPARC中最高强度等离子体热排放与材料壁面交汇的截面。该区域代表装置底部附近的15块瓦片，是装置排气系统中承受热量最剧烈的部分。

研究人员通过生成"阴影掩模"实现此类模拟。阴影掩模是三维磁影分布图，标示聚变系统内部部件表面受防护而避开直接热冲击的特定位点。这些阴影的位置取决于托卡马克内部部件的几何构型及其与约束等离子体的磁力线相互作用方式。

创建模拟以优化聚变系统运行方式

最初由开源程序HEAT（热通量工程分析工具包）执行阴影掩模计算。HEAT由CFS项目经理汤姆·卢比在其博士研究期间与现任SPARC诊断团队负责人马特·莱因基共同开发，并首次应用于PPPL国家球形环实验升级装置（NSTX-U）的排气系统。

HEAT-ML通过追踪部件表面发出的磁力线，判断其是否与托卡马克其他内部构件相交。若存在交点，则标记该区域为"阴影区"。然而，追踪这些磁力线并确定其与复杂三维装置几何结构的交点曾是流程中的主要瓶颈——单次模拟耗时约30分钟，复杂几何结构下耗时更长。

HEAT-ML成功突破此瓶颈，将计算加速至毫秒级。其采用深度神经网络技术：这种人工智能通过隐藏层的数学运算和参数处理数据，以模式识别方式学习特定任务。HEAT-ML的深度神经网络使用HEAT生成的约1,000组SPARC模拟数据库进行训练，从而掌握阴影掩模计算方法。

当前HEAT-ML仅适用于SPARC排气系统的特定设计，即仅针对该托卡马克的局部区域运行，并作为HEAT代码的可选配置项。但研究团队计划扩展其功能，使其能通用化计算任意形状尺寸的排气系统阴影掩模，并覆盖托卡马克内所有面向等离子体部件。

美国能源部（DOE）根据合同DE-AC02-09CH11466和DE-AC05-00OR22725资助本研究，同时获得CFS的支持。