最近在等离子体加热的人工智能（AI）模型方面的进展，揭示了超出以往预期的能力。这些创新模型不仅在保持准确性的同时将预测速度提升了1000万倍，还成功预测了传统数值代码无法处理的等离子体加热场景。这些发现的详细信息将在10月11日于亚特兰大的美国物理学会等离子体物理分会第66届年会上分享。
“凭借我们的智慧，我们可以训练AI，超越现有数值模型的局限性，”美国能源部（DOE）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表示。Sánchez-Villar是刚刚在核聚变上发表的同行评审文章的主要作者，该研究与五个研究机构合作。
这些AI模型利用机器学习来预测在核聚变实验中，离子回旋频率（ICRF）加热下，电子和离子在等离子体中的行为。它们是在计算机代码生成的数据上进行训练的。虽然生成的数据大多数与先前的发现相符，但在极端情况下，结果有所偏离。
“我们发现了一个参数区域，其中加热曲线在随机位置出现不可预测的尖峰，”Sánchez-Villar解释道。“没有物理原因可以解释这些尖峰。”
新的AI模型被证明比之前认为的更具能力，不仅在保持准确性的同时将预测速度提高了1000万倍，还能够在传统数值代码未能成功时准确预测等离子体加热。这些模型将在10月11日即将召开的会议上进行展示。
“我们的智慧使AI能够超越当前数值模型所带来的限制，”Sánchez-Villar表示，关于这一由五个研究机构支持的努力，他是《核聚变》期刊上一篇同行评审文章的主要作者。
该AI利用机器学习技术来预测在核聚变实验中，等离子体在ICRF加热下的电子和离子行为。训练数据来自计算机代码生成，这与历史结果大致一致，尽管也有一些极端案例让研究人员感到惊讶。
“在一个实例中，我们识别了一个参数区域，在该区域内，加热曲线在看似随机的位置出现不稳定的尖峰，”Sánchez-Villar指出。“这些异常现象没有物理解释。”
“有效地说，我们的替代模型就像修复了原始代码，由小心的数据整理指导，”Sánchez-Villar继续说道。“通过正确的应用，AI不仅可以加快问题解决速度，还可以增强我们应对挑战的方式，超越我们人类的局限性。”
与预期一致，这些模型还减少了ICRF加热的计算时间，从大约60秒减少到仅2微秒。这种显著的加速使得模拟过程更快而不影响准确性，帮助科学家和工程师识别出使聚变成为可行能源的最佳路径。
该项目涉及的其他研究人员包括Zhe Bai、Nicola Bertelli、E. Wes Bethel、Julien Hillairet、Talita Perciano、Syun’ichi Shiraiwa、Gregory M. Wallace和John C. Wright。此研究的资金由美国能源部提供，合同编号为DE-AC02-09CH11466。国家能源研究科学计算中心（NERSC）的资源被利用，合同编号为DE-AC02-05CH11231，NERSC奖项FES m3716专用于2023年。
