当AI遇上核聚变，50年悖论的可控核聚变会提前实现吗？

　　自20世纪40年代以来，物理学家们进行了各种试验，但还没有人创造出有效的核聚变反应。
　　不可控核聚变，在上世纪科学家已经研究出来了氢弹。
　　可控核聚变能具有安全、清洁、燃料丰富等优点，是解决人类未来能源问题的主要选择之一。
　　在可控核聚变领域有一个著名的50年悖论，意思就是说距离实现可控核聚变永远都只有50年，为了让核聚变可控，科学家们已经研究了50多年，接下来还要继续
　　但，人工智能和机器学习（ML）已被证明在很多行业和应用中能够检测人类无法识别的数据中的微妙模式。
　　那么神经网络和为其提供动力的GPU是否有助于核聚变？这是一个巨大的挑战，它将加速全球对驯服热等离子体不稳定性的探索，并最终提供一种可持续、无碳能源的来源。核聚变和可控核聚变
　　核聚变（nuclearfusion）是两个较轻的原子核（例如氘和氚）聚合为一个较重的原子核（例如氦），并释放出能量的过程。通常有重力场约束、惯性约束和磁约束三种方式来产生核聚变。
　　自然界中最容易实现的聚变反应是氢的同位素氘与氚的聚变，这种反应在太阳上已经持续了50亿年。可控核聚变俗称人造太阳，因为太阳的原理就是核聚变反应。
　　可控核聚变能具有安全、清洁、燃料丰富等优点，是解决人类未来能源问题的主要选择之一。如果人类能够掌握有序释放核聚变的能量的方法，就等于掌握了太阳的能量来源，等于掌握了无穷无尽的矿石燃料、风力和水力能源。因此，可控核聚变反应堆当之无愧地被称作人造太阳。
　　科学家正在努力研究可控核聚变，核聚变可能成为未来的能量来源。核聚变燃料可来源于海水和一些轻核，所以核聚变燃料是无穷无尽的。
　　激光约束（惯性约束）核聚变，如我国的神光计划，美国的国家点火计划等；磁约束核聚变，比如托卡马克、仿星器、磁镜、反向场、球形环等。
　　2021年5月28日，中科院合肥物质科学研究院有人造太阳之称的全超导托卡马克核聚变实验装置（EAST）创造了新的世界纪录，成功实现了可重复的1。2亿摄氏度101秒和1。6亿摄氏度20秒等离子体运行，将1亿摄氏度20秒的原纪录延长了5倍。
　　图示：升级改造后的全超导托卡马克核聚变实验装置（EAST）。（来源：中科院合肥物质科学研究院等离子体物理研究所。）
　　中科院合肥物质科学研究院等离子体物理研究所所长宋云涛介绍说，本次EAST的新纪录进一步证明了核聚变能源的可行性，也为迈向商用奠定了物理和工程基础。
　　以下为深度学习和机器学习，最近在核聚变方面的应用研究：深度学习在核聚变研究中的三种用途
　　葡萄牙里斯本大学（UniversityofLisbon）信息系统教授DiogoFerreira说：物理学家开发理论模型，编写方程，用数学方法处理事物。但这是有限度的。他说，人工智能可以提供帮助。
　　最近，Ferreira与英国欧洲联合环（JointEuropeanTorus，JET）的同事合作进行了一项研究，该研究详细介绍了深度学习模型在核聚变研究中的三种不同用途。
　　该研究于6月24日以《UsingHPCinfrastructuresfordeeplearningapplicationsinfusionresearch》为题发表在《PlasmaPhys。Control。Fusion》杂志上。
　　论文链接：https：iopscience。iop。orgarticle10。108813616587ac0a3b
　　该研究给出了深度学习模型的3个示例，即：用于图像重建的卷积神经网络（CNN）；循环神经网络（RNN）进行中断预测；用于异常检测的变分自编码器（VAE）。
　　Ferreira使用连接到JET反应堆的48个传感器（称为热辐射计）的诊断数据训练他的模型，这些传感器用于收集功率和辐射数据。
　　RNN用于中断预测
　　第一个机器学习模型预测了超热等离子体的破坏。在研究中，Ferreira解释说，根据它的训练方式，该模型可以预测中断的可能性这可能导致等离子体脱离限制、震动设备、大幅降低等离子体的温度并结束反应或者预测中断发生的时间。
　　研究证明了基于JET热辐射计开发的用于中断预测的深度学习模型可行性。等离子体辐射剖面提供了有关破坏相关行为的重要线索。
　　图示：脉冲92213从48。1秒到54秒的重建，时间步长为0。1秒。（来源：论文）
　　图示：用于中断预测的深度学习模型的结构。（来源：论文）
　　VAE用于异常检测
　　在深度学习领域，最常用于异常检测的模型类型是VAE。异常检测依赖于VAE重建给定输入样本的能力。当VAE重现输入样本时，这表明它以前从未见过这种行为，因此这种行为被归类为异常。
　　第二个机器学习模型检测等离子体中的异常。该模型仅针对未发生中断的反应进行训练，可以重现这些良好的实验。如果数据源自以中断结束的实验，该模型可以识别数据何时以及如何与成功反应的数据不同。科学家可以使用这个过程来更好地了解最终导致中断的原因，并最终产生中断可能性较小的反应。
　　图示：用于异常检测的深度学习模型的结构。（来源：论文）
　　CNN用于图像重建
　　另一个应用涉及等离子体辐射模式的视觉表示。CNN用于等离子断层扫描。
　　通过大约400个样本的批量大小，在具有16GB内存的单个NvidiaP100GPU上训练网络，需要花费将近一天（16小时）的时间来训练。相比之下，在具有8个NvidiaP100GPU的多GPU节点上，可以在几个小时（23小时）内训练模型。
　　该研究表明训练过程的强大扩展性，且将训练分布在多个GPU上是有益的。
　　训练后，该模型可用于在几秒钟内生成整个脉冲的重建（而不是使用原始方法花费几分钟来生成单个重建）。
　　图示：用于等离子断层扫描的深度学习模型的结构。（来源：论文）
　　Ferriera说，执行蛮力、直接计算，每个反应可能需要20分钟。相比之下，一个机器学习模型可以在几秒钟甚至更短的时间内生成类似的图像。Ferriera说，这太快了，有朝一日可能会在实时实验中完成。机器学习预测等离子体行为
　　等离子体是由大量带电粒子组成的，宏观上呈准中性的电离气体，在长程电磁力作用下表现出独特的集体振荡的动力学行为。
　　看似神秘的等离子体，其实是宇宙中一种常见的物质，在太阳、恒星、闪电中都存在等离子体，它占了整个宇宙的99。太阳就是一个天然的等离子体物理和核聚变实验室。
　　等离子体是高度非线性和多尺度的，这对理解、建模和控制这些系统提出了严峻的挑战。理论、数据驱动和机器学习方法正在彻底改变高维非线性系统的分析、建模和控制，尤其是在流体力学领域。降阶建模发展迅速，但许多进展尚未被等离子体物理学界采用。
　　华盛顿大学研究人员最近的一项研究，详细介绍了一种使用机器学习来预测等离子体行为的方法。为了促进可重复的研究，提供了用于该分析的Python代码。该研究为流体力学中广泛的伽辽金文献（Galerkinliterature）架起了一座桥梁，并促进了基于投影和数据驱动的等离子体模型的未来原则性发展。
　　该研究以《用于磁流体动力学的受物理约束的低维模型：第一性原理和数据驱动的方法》（Physicsconstrained，lowdimensionalmodelsformagnetohydrodynamics：Firstprinciplesanddatadrivenapproaches）为题，于7月13日发表在《PhysicalReviewE》杂志上。
　　论文的共同作者Hansen说，虽然研究中的模型在实验中运行得不够快，但他认为它最终可以。
　　项目地址：https：github。comakaptanoPODGalerkinMHD
　　论文链接：https：journals。aps。orgpreabstract10。1103PhysRevE。104。015206
　　这项工作利用基于投影和数据驱动的流体建模数十年的进展，为可压缩等离子体开发了降阶建模框架。
　　首先将非线性磁动流体力学（magnetohydrodynamicsMHD）系统的基于投影的简化模型形式化。为了避免对磁、速度和压力场进行单独的模态分解，引入了能量内积以将所有场合成为尺寸一致的降阶基础。接下来，通过HallMHD方程在这些模式上的Galerkin投影获得解析模型。
　　图示：填充等离子体模型层次结构较低层级方法：（a）收集数据，（b）执行基于投影的模型简化，（c）使用物理约束系统识别发现数据驱动模型。（来源：论文）
　　论文一作AlanA。Kaptanoglu表示：我们的模型使用更少的数据、计算力和时间。将促进基于投影和数据驱动的等离子体模型的发展。基于深度学习的PIC模拟方法
　　粒子模拟（ParticleinCell，PIC）方法是用于模拟等离子体的最强大和最常用的计算方法之一，可应用于聚变反应堆、激光等离子体装置、加速器、空间物理学和天体物理学。PIC模拟分析极大地促进了我们对复杂现象和系统中等离子体动力学的理解。
　　最近，瑞典斯德哥尔摩KTH皇家理工学院计算机科学副教授StefanoMarkidis与他的同事XavierAguilar一起创建了一个深度学习模型，该模型解决了确定信息的计算密集型步骤之一：等离子体计算其电场。该方法速度更快，在某些情况下，比涉及复杂数学方程的传统方法更准确。
　　研究表明，将DL技术集成到传统计算方法中是开发下一代PIC算法的可行方法。
　　该研究于7月5日以《用于等离子体模拟的基于深度学习的ParticleinCell方法》（ADeepLearningBasedParticleinCellMethodforPlasmaSimulations）为题，发表在arXiv上。
　　论文链接：https：arxiv。orgabs2107。02232
　　该研究有两个目标：第一个目标是设计和开发一种新的PIC方法，在PIC计算周期中采用DL技术。第二个目标是确定基于DL的PIC方法与传统PIC方法相比，在稳定性和准确性方面的优势。
　　双流不稳定性（twostreaminstability）是等离子体物理学中很常见的不稳定因素。该研究设计并开发了一种用于等离子体模拟的新PIC方法。训练了一个多层感知器（MultilayerPerceptron，MLP）和一个卷积神经网络（CNN）来解决双流不稳定测试。
　　图示：基于DL的PIC方法。（来源：论文）
　　研究人员比较了基于DL的PIC方法与传统PIC方法的精度和性能。研究表明基于DL的PIC方法在总能量和动量变化可接受的情况下再现了双流不稳定性的正确结果。然而，基于DL的PIC方法对冷光束不稳定性很稳定。
　　图示：双流不稳定性的传统和基于DL的PIC模拟中总能量和动量演化的比较。（来源：论文）
　　研究人员表示：未来的工作将包括表征基于DL的PIC计算性能。我们还打算扩展该方法来研究电磁问题的二维和三维系统。
　　人工智能和机器学习在核聚变系统中并非没有缺点。机器学习算法，尤其是深度学习模型，是黑匣子并不总是可能知道一个模型是如何得到结果的。但是通过使用这些算法，科学家们可以收集这些模型所见的一些细节，并了解有关等离子体和聚变物理学的更多信息。
　　归根结底，解决核聚变问题的将是我们的思想，StefanoMarkidis说。这只是我们使用什么工具的问题，人工智能和机器学习将成为关键工具。
　　论文链接：
　　https：iopscience。iop。orgarticle10。108813616587ac0a3b
　　https：journals。aps。orgpreabstract10。1103PhysRevE。104。015206
　　https：arxiv。orgabs2107。02232
　　相关报道：
　　https：spectrum。ieee。orgcanaimakeabetterfusionreactor
　　参考内容：https：baike。baidu。comitemE6A0B8E8819AE58F98426375
　　https：mp。weixin。qq。coms53XZiOMZz6cdTfQ1oD0sg