机器学习算法可能会增加核聚变反应堆的能量产出

来自桑迪亚国家实验室的研究人员最近设计了机器学习算法，旨在提高核聚变反应堆的能量输出。研究团队利用人工智能算法模拟了等离子体和材料在核聚变反应堆壁之间的相互作用。

与核裂变不同，核裂变涉及分裂原子，聚变反应通过创建等离子体释放能量。氢原子被超热以创建等离子云，这个云通过粒子相互碰撞和融合释放能量。这个过程是混乱的，如果科学家能够更好地控制聚变过程，它可能会导致核聚变反应堆产生的可用能量大幅增加。

从事解决这个问题的研究人员需要运行有关反应堆室壁与等离子云相互作用的复杂模拟。

根据艾丹·汤普森的说法，机器学习算法使得解决一个非常复杂的问题成为可能。汤普森和其他研究人员被美国能源部科学办公室委托研究机器学习如何提高核聚变反应堆的能量输出。到目前为止，执行原子尺度的这些相互作用的模拟是不现实的。多亏了机器学习，等离子体击中反应堆保持壁时发生的许多小变化现在可以被建模。

机器学习算法在找到数据中的模式、学习定义对象的各种特征方面表现出色。由于机器学习算法可以将它们以前看到的模式应用于分类未见事件，因此它们对于消除优化聚变过程中的大部分试验和错误很有用。汤普森解释说，当等离子体在聚变室内创建时，反应堆的壁不断被像氦、氢和重氢这样的粒子击中，这些粒子组成了等离子云。当等离子体击中反应堆的保持壁时，它以小但可能至关重要的方式改变了壁。壁本身的成分反过来又改变了等离子云。这种反应循环发生在大约与太阳相同的温度下，并且持续时间仅为纳秒。优化这个过程涉及一个费力的过程，即修改反应堆壁的组件，然后直接测量结果的变化。

汤普森和其他研究人员着手实验使用大量数据集，包括量子力学计算，训练一个可以预测各种原子配置能量的模型。结果是机器学习原子间势（MLIAP）。该算法可以用于检查相对较少的原子之间的相互作用，扩大模型以模拟聚变过程中组件之间的相互作用。根据汤普森的说法，研究团队设计的模型需要成千上万个参数才能成为有用的模拟。

为了使模型保持有用，必须在聚变和训练数据中存在显著的重叠。可能的聚变环境有很大范围，因此研究人员需要不断捕获数据并修改模型。托马斯通过Phys.org解释说：

“我们的模型最初将用于解释小型实验。相反，这些实验数据将用于验证我们的模型，然后可以用来对全尺寸聚变反应堆中发生的情况做出预测。”

这些算法还没有准备好供实际的核聚变研究人员使用。然而，汤普森和他的研究团队是第一个尝试将机器学习应用于等离子体-壁问题的研究人员。该团队希望在几年内，这些模型将被用于设计更好的聚变反应堆。