機器學習使聚變能源成為可能

麻省理工學院的研究人員正在測試機器學習技術，以更好地了解聚變能中的湍流等離子體現(xiàn)象。根據(jù)麻省理工學院新聞最近的一篇文章，在Physical Review E和Physics of Plasmas 上發(fā)表的兩篇論文中，開發(fā)了一種新的深度學習框架，該框架利用人工神經網絡來表示減少的湍流理論。

所有核聚變研究人員的目標是使該技術成為全球電網的可行能源。要做到這一點，需要理解和解決無數(shù)物理和工程問題，例如理解等離子體的湍流運動，即離子和電子在反應器中移動的集合。稱為托卡馬克的環(huán)形結構的場線迫使等離子體粒子被限制足夠長的時間以產生顯著的凈能量增益，當您不僅有高溫而且還有小空間時，這是一個挑戰(zhàn)。

科學家們正專注于等離子體湍流的數(shù)值模擬，以更好地了解未來聚變反應堆內部的狀況。但這些計算很復雜。在保持預測準確性的同時工作得更快的簡化理論的發(fā)展可以加快進展。

核聚變

等離子體是構成可觀測宇宙 99.9% 以上的物質，被稱為物質的第四態(tài)（其他已知狀態(tài)是固態(tài)、液態(tài)和氣態(tài)）。在足夠高的能量下，氣體被電離，產生帶正電的粒子（原子核）和帶負電的粒子（電子）的混合物。雖然恒星中的等離子體受到巨大重力的限制，但地球上的情況并非如此。主要挑戰(zhàn)之一是開發(fā)能夠將等離子體加熱到所需溫度并將其限制在足夠長的時間以進行熱核反應以釋放維持新聚變反應的動能的設備。一種被稱為磁約束的有前途的方法被用于稱為托卡馬克（“磁環(huán)室”的俄語縮寫）的設備中，

這些是非常復雜的機器，從高溫等離子體條件（超過 100,000,000 度）到操作超導磁體所需的低溫（低于-200 攝氏度）僅需幾米。

建造這些設備是一項具有挑戰(zhàn)性的任務，尤其是因為與等離子體相關的不穩(wěn)定性，這會對反應堆組件造成損壞的危險。然而，這種限制具有安全優(yōu)勢，因為鏈式反應基本上永遠不會失控地發(fā)展。

托卡馬克配置中的磁場必須是三種類型： 環(huán)形磁場，由環(huán)形線圈產生；環(huán)形場，由環(huán)形線圈產生；和由環(huán)形線圈產生的環(huán)形場。這些線圈的目的是沿機器的對稱軸產生磁場，推動帶電等離子體粒子沿該方向流動?？刂频入x子體位置的外部線圈提供垂直場。極向場由流過等離子體的電流產生并保持平衡。

等離子體湍流

磁約束聚變裝置在聚變發(fā)電廠的粒子和能量約束方面存在重大不確定性。由于機載等離子體的環(huán)境對各種工藝有很大影響，因此邊界區(qū)域對于評估聚變裝置的整體實用性至關重要，等離子體和整個結構的建模仍然是一項關鍵任務。

與邊界等離子體相關并廣泛應用于分析邊緣湍流的一種特殊傳輸理論是減少漂移的 Braginskii 模型。幾十年來，托卡馬克物理學家經常使用這種簡化的“雙流體理論”來模擬實驗中的邊界等離子體，盡管其精確度尚不確定。

通過這項工作，他們還展示了一種新的深度學習技術，可以診斷與減少漂移的 Braginskii 理論直接一致的未知湍流場波動。眾所周知，等離子體湍流難以模仿，比空氣或水湍流更難模仿。通過將機器學習技術嵌入到方程中，您可以從少量觀察中獲得大量信息。據(jù)麻省理工學院的研究人員稱，這些新穎的分析方法可以為評估混沌系統(tǒng)開辟新途徑，并擴大關于聚變等離子體湍流的發(fā)現(xiàn)范圍。

審核編輯：湯梓紅