等离子体加热的新型人工智能模型对用于聚变研究的计算机代码进行了重要修正

用于等离子体加热的新型人工智能(AI)模型可以实现比以前想象的更多功能，不仅可以在保持准确性的同时将预测速度提高1000万倍，而且可以在原始数值代码失效的情况下正确预测等离子体加热。这些模型将于10月11日在亚特兰大举行的美国物理学会等离子体物理分会第66届年会上展示。

美国能源部(DOE)普林斯顿等离子体物理实验室(PPPL)副研究员物理学家ÁlvaroSánchez-Villar表示：“凭借我们的智能，我们可以训练AI超越现有数值模型的限制。”Sánchez-Villar是《核聚变》杂志上有关这项工作的一篇新期刊文章的主要作者。这是一项横跨五个研究机构的项目的一部分。

这些模型使用机器学习(一种人工智能)来尝试预测在聚变实验中应用离子回旋加速器频率范围(ICRF)加热时等离子体中的电子和离子的行为方式。这些模型是根据计算机代码生成的数据进行训练的。虽然大部分数据与过去的结果一致，但在某些极端情况下，数据并不像他们预期的那样。

“我们观察到一种参数化状态，其中加热曲线在相当任意的位置出现不规则的尖峰，”桑切斯-维拉尔说。“没有任何物理现象可以解释这些尖峰。”

桑切斯·维拉尔(SánchezVillar)识别并删除了训练集中有问题的数据(称为异常值)，以训练他们的AI，因为这些场景不符合物理规律。“我们通过消除训练数据集中的峰值来偏差我们的模型，但我们仍然能够预测物理现象，”桑切斯·维拉尔(SánchezVillar)说道。

“正如所观察到的，代码正确地消除了尖峰，但预计突出显示的区域会产生更高的热量。然而，没有任何证据可以保证这些预测是物理的。”

然后，团队又向前迈进了一步。经过数月的研究，桑切斯·维拉尔(SánchezVillar)发现并解决了问题，即数值模型的局限性。随后，他对最初显示随机峰值的异常情况运行了修正版代码。

他不仅发现在所有有问题的情况下，解决方案都没有出现峰值，而且令他惊讶的是，即使在关键的异常场景中，这些解决方案也几乎与几个月前预测的机器学习模型中的解决方案相同。

“这意味着，实际上，我们的替代实施相当于修复原始代码，只是基于对数据的精心管理，”Sánchez-Villar说。“与每一项技术一样，通过智能使用，人工智能不仅可以帮助我们更快地解决问题，而且比以前更好，并克服我们人类自身的限制。”

正如预期的那样，这些模型还缩短了ICRF加热的计算时间。这些时间从大约60秒缩短到2微秒，从而能够加快模拟速度，而不会明显影响准确性。这一改进将帮助科学家和工程师探索使核聚变成为实用电源的最佳方法。