人工智能揭示聚变反应堆内部隐藏的安全运行区间

被称为HEAT-ML的新型人工智能，可能为显著加速未来聚变系统设计的软件奠定基础。此类软件还能在聚变运行期间通过调整等离子体实现良好决策，从而在潜在问题出现前将其消除。

"这项研究表明，你可以利用现有代码创建一个人工智能代理，加速获取有效答案的能力，并在控制和场景规划方面开辟了有趣的途径，"迈克尔·丘吉尔（Michael Churchill）表示。他是关于HEAT-ML发表在《聚变工程与设计》期刊上论文的合著者，同时担任普林斯顿等离子体物理实验室（PPPL）数字工程负责人。

核聚变——为太阳和恒星提供能量的反应——有望在地球上提供近乎无限的电能。要驾驭它，研究人员需克服关键的科学与工程挑战。其中一个挑战是处理来自等离子体的强热，当使用磁场将等离子体约束在名为托卡马克（tokamak）的聚变容器中时，其温度可达比太阳核心更高的水平。加速预测这些热量将冲击何处以及托卡马克哪些部位能在其他部件的阴影下保持安全的计算，是聚变能入网的关键。

"托卡马克中面向等离子体的组件可能与极高温的等离子体接触，导致这些部件熔化或损坏，"PPPL副研究物理学家、HEAT-ML论文第一作者多梅尼卡·科罗娜·里维拉（Doménica Corona Rivera）说。"最坏的情况是你可能不得不停止运行。"

PPPL通过公私合作伙伴关系扩大影响力

HEAT-ML专为模拟SPARC（目前由CFS建造的托卡马克装置）的一小部分而设计。这家马萨诸塞州公司希望到2027年展示净能量增益，这意味着SPARC产生的能量将超过其消耗的能量。

模拟热量如何影响SPARC内部是实现这一目标的核心，也是一项巨大的计算挑战。为将挑战分解成可管理的部分，该团队专注于SPARC上最强烈的等离子体热排气与材料壁相交的一个截面。托卡马克的这一特定部分代表了装置底部附近的15块瓦片，是装置排气系统中将承受最多热量的区域。

为创建此类模拟，研究人员会生成所谓的磁阴影掩膜（shadow masks）。磁阴影掩膜是磁阴影的3D映射图，即聚变系统内部组件表面上被屏蔽免受直接热量的特定区域。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与约束等离子体的磁场线相互作用的方式。

创建模拟以优化聚变系统运行方式

最初，一个名为HEAT（热通量工程分析工具包）的开源计算机程序负责计算这些磁阴影掩膜。HEAT由CFS经理汤姆·卢比（Tom Looby）在其博士研究期间与现SPARC诊断团队负责人马特·赖因金（Matt Reinke）共同开发，并首次应用于PPPL的国家球形环实验升级装置（NSTX-U）的排气系统。

HEAT-ML从部件表面追踪磁场线，以判断该线是否与托卡马克的其他内部部件相交。若相交，则该区域被标记为“阴影区”。然而，追踪这些线并找出它们与复杂3D装置几何结构相交的位置，曾是流程中的一个显著瓶颈。单个模拟可能耗时约30分钟，对于某些复杂几何结构甚至更久。

HEAT-ML克服了这一瓶颈，将计算加速至几毫秒。它采用了一种深度神经网络：这种人工智能包含隐藏的数学运算层和参数，通过分析数据寻找模式来学习执行特定任务。HEAT-ML的深度神经网络使用来自HEAT的大约1,000个SPARC模拟数据库进行训练，以学习如何计算磁阴影掩膜。

HEAT-ML目前与SPARC排气系统的特定设计绑定；它仅适用于该特定托卡马克的那一小部分，并且是HEAT代码中的一个可选设置。然而，研究团队希望扩展其能力，以推广计算任意形状和尺寸排气系统的磁阴影掩膜，以及托卡马克内部所有其他面向等离子体组件。

美国能源部（DOE）根据合同DE-AC02-09CH11466和DE-AC05-00OR22725支持了这项工作，同时也获得了CFS的支持。