新的等离子体加热人工智能模型导致用于聚变研究的计算机代码的重要修正
作者：by Rachel Kremen, Princeton Plasma Physics Laboratory
新的人工智能（AI）模型在等离子体加热方面可以做到之前认为不可能的事情，不仅将预测速度提高了1000万倍同时保持了准确性，还能正确地预测出原始数值代码失败的等离子体加热情况。这些模型将于10月11日发布于美国物理学会等离子体物理学部第66届年会在亚特兰大。
“凭借我们的智能，我们可以训练AI超越现有的数值模型的限制，”美国能源部普林斯顿等离子体物理实验室（PPPL）的副研究物理学家Álvaro Sánchez-Villar说道。Sánchez-Villar是新论文的主要作者。期刊文章在核聚变关于这项工作。它是一个跨越五所研究机构的项目的组成部分。
模型使用了机器学习，一种人工智能类型，试图预测电子和离子在某系统中的行为方式等离子体在聚变实验中应用离子回旋共振频率（ICRF）加热时的行为。这些模型是基于计算机代码生成的数据进行训练的。尽管大部分数据与过去的结果一致，但在某些极端情况下，数据并非他们所预期的那样。
桑切斯-维拉尔说：“我们观察到一个参数调节区域，在此区域内加热曲线出现了位置任意且无规律的尖峰。”“没有任何物理现象可以解释这些尖峰的原因。”
桑切斯·比利亚尔识别并从训练集中移除了被称为离群值的问题数据，因为他们所处理的场景不符合物理规律。“通过在训练数据集中消除尖峰，我们使模型产生了偏置，但仍能够预测物理现象，”桑切斯·比利亚尔说。
"如观察到的，代码正确地去除了尖峰，但预测了高亮区域内的加热会增加。然而，并没有任何东西能够保证这些预测是物理上合理的。"
然后，团队更进一步。经过数月的研究，桑切斯·比利亚尔识别并解决了问题的原因——数值模型的局限性，并运行了修正后的代码以解决最初显示随机峰值的异常情况。
他不仅发现所有有问题的情况下的解决方案都没有突变，而且令他惊讶的是，这些解决方案几乎与几个月前一个机器学习模型预测的解决方案在关键异常场景下也几乎相同。
这意味着，实际上，我们的代理实现相当于修复了原始代码，这只是基于对数据的精心整理，桑切斯-维拉尔说。“就像每一种技术一样，通过明智地使用，人工智能可以帮助我们不仅更快地解决问题，而且比以前更好，并且克服我们自身的局限。”
正如预期的那样，这些模型也提高了ICRF加热的计算时间。计算时间从大约60秒减少到2微秒，从而实现了更快的模拟而不会显著影响准确性。这一改进将帮助科学家和工程师探索使聚变成为实用电源的最佳方法。
更多信息：萨恩切斯-比利亚等人，通过机器学习方法实现在NSTX和WEST上的ICRF加热的实时建模能力核聚变 (2024). DOI: 10.1088/1741-4326/ad645d
引用新的等离子体加热人工智能模型导致用于聚变研究的计算机代码的重要修正（2024年10月9日） 检索于2024年10月9日 从 https://phys.org/news/2024-10-ai-plasma-important-code-fusion.html
本文件受版权保护。除个人研究或学习目的的合理使用外，未经书面许可不得复制任何部分。内容仅用于提供信息之目的。
暂无评论