人工智能在核聚变反应堆内部发现隐藏安全区

被称为HEAT-ML的新型人工智能可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节等离子体实现良好决策，从而在潜在问题出现前将其阻止。

"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来加速获取有用答案的能力，并为控制和场景规划开辟了有趣的途径，"迈克尔·丘吉尔说道。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，也是普林斯顿等离子体物理实验室（PPPL）数字工程负责人。

聚变是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力。要利用它，研究人员需要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称为托卡马克的聚变容器中时，其温度会达到比太阳核心更高的温度。加速预测这些热量将冲击何处、以及托卡马克哪些部件在其他部件遮挡下仍能保持安全的计算，是实现聚变能并网的关键。

"托卡马克面向等离子体的部件可能与等离子体接触，而等离子体温度极高，会熔化或损坏这些部件，" PPPL副研究物理学家、HEAT-ML论文的第一作者多梅尼卡·科罗娜·里维拉说。"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的一小部分而开发：SPARC是联邦聚变系统公司（CFS）目前正在建造的托卡马克装置。这家马萨诸塞州的公司希望到2027年实现净能量增益，即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。为了将挑战分解为可管理的部分，研究团队专注于SPARC上最强烈的等离子体热排放与材料壁相交的一个区段。托卡马克的这个特定部分代表装置底部附近的15块砖瓦，是装置排气系统中将承受最热量的部分。

为创建此类模拟，研究人员会生成所谓的磁影图。磁影图是磁影的三维地图，即聚变系统内部部件表面上因受遮蔽而免受直接热量的特定区域。这些磁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影图。HEAT由CFS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·赖因克共同开发，最初应用于PPPL国家球形环实验升级装置（NSTX-U）的排气系统。

HEAT-ML追踪从部件表面发出的磁场线，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，追踪这些磁场线并找到它们与复杂三维机器几何结构相交的位置，曾是流程中的主要瓶颈。单次模拟可能需要约30分钟，对于某些复杂几何结构耗时甚至更长。

HEAT-ML克服了这一瓶颈，将计算加速至几毫秒。它采用深度神经网络：一种具有隐藏数学运算层和参数的人工智能，通过分析数据模式学习执行特定任务。HEAT-ML的深度神经网络使用来自HEAT的约1,000个SPARC模拟数据库进行训练，以学习如何计算磁影图。

目前HEAT-ML仅适用于SPARC排气系统的特定设计；它只对该特定托卡马克的这个小部分有效，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，使其能够推广计算任意形状和尺寸排气系统的磁影图，以及托卡马克内所有其他面向等离子体的部件。

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