核聚變反應堆技術能夠以安全和可持續(xù)的方式滿足我們未來的電力需求。數(shù)值模型（Numerical models）能夠為研究人員提供關于聚變等離子體行為的信息，以及關于反應堆設計和運行有效性的寶貴見解。不過，要求大量的等離子體相互作用進行建模，需要一些專門的模型，而這些模型的速度不足以提供反應堆設計和運行的數(shù)據(jù)。

來自埃因霍溫理工大學應用物理系核聚變科學與技術組的 Aaron Ho 利用機器學習的方法，來加快堆芯等離子體湍流傳輸?shù)臄?shù)值模擬。他于 3 月 17 日進行了博士論文答辯。

核聚變反應堆研究的最終目標是以經(jīng)濟可行的方式實現(xiàn)凈功率的提升。為了達到這個目標，已經(jīng)建造了大型復雜的裝置，但隨著這些裝置變得越來越復雜，對其運行采取預測優(yōu)先的方法變得越來越重要。這樣可以減少運行效率低下的情況，并保護設備不受嚴重損壞。

為了模擬這樣的系統(tǒng)，需要能夠捕捉到融合裝置中所有相關現(xiàn)象的模型，這些模型要足夠準確，以便預測可以用來做出可靠的設計決策，并且要足夠快，以快速找到可行的解決方案。

在他的博士研究中，Aaron Ho 通過使用基于神經(jīng)網(wǎng)絡的模型開發(fā)了一個滿足這些標準的模型。這種技術有效地讓模型以數(shù)據(jù)收集為代價，同時保留了速度和精度。該數(shù)值方法被應用于一個減階湍流模型QuaLiKiz，該模型可以預測微湍流引起的等離子體傳輸量。這種特殊的現(xiàn)象是托卡馬克等離子體裝置中最主要的傳輸機制。遺憾的是，它的計算也是目前托卡馬克等離子體建模的限速因素。

Ho 成功地用 QuaLiKiz 評價訓練了一個神經(jīng)網(wǎng)絡模型，同時將實驗數(shù)據(jù)作為訓練輸入。然后將得到的神經(jīng)網(wǎng)絡耦合到一個更大的集成建模框架 JINTRAC 中，以模擬等離子體裝置的核心。

通過用Ho的神經(jīng)網(wǎng)絡模型替換原有的QuaLiKiz模型，并對比結(jié)果，對神經(jīng)網(wǎng)絡的性能進行了評估。與原來的 QuaLiKiz 模型相比，Ho 的模型考慮了更多的物理模型，重復結(jié)果的精度在 10% 以內(nèi)，并且將模擬時間從 16 個核心的 217 個小時減少到單核心的2個小時。

然后為了檢驗模型在訓練數(shù)據(jù)之外的有效性，在等離子體升壓場景下，利用耦合系統(tǒng)進行優(yōu)化練習，對模型進行了原理驗證。這項研究使人們對實驗觀測背后的物理學有了更深的理解，并強調(diào)了快速、準確和詳細的等離子體模型的好處。

最后，Ho建議，該模型可以擴展到控制器或?qū)嶒炘O計等進一步應用。他還建議將該技術擴展到其他物理模型，因為據(jù)觀察，湍流傳輸預測不再是限制因素。這將進一步提高綜合模型在迭代應用中的適用性，并能進行必要的驗證工作，使其能力更接近于真正的預測模型。