- 研究人員開發的機器學習系統能預測核融合機器硬件變化。
- 新系統將預測誤差降低了 80%，接近操作性工具的水平。
- 該系統可持續更新，並提供預測的信心指標。
- 人工智能在聚變研究中的應用前景越來越引人注目。
在一台聚變機器內，等離子體的温度可以達到超過太陽核心的高温，而強大的磁場則將其壓縮到一個微小且不穩定的空間。這些極端條件是進行聚變所必需的，但同時也可能使機器本身以微妙的方式移動。在位於聖地牙哥的 DIII-D 國家聚變設施，即使是圍繞等離子體的大型磁鐵的微小變動也能影響實驗。如今，研究人員開發了一種機器學習系統，能夠從這些變化中學習並預測機器的硬件在下一次實驗中的表現。
在測試中，這種方法將預測誤差降低了 80% ，相比於傳統靜態的機器學習模型，使人工智能在聚變研究中更接近成為一個操作性工具，類似於最近在實時等離子體控制中使用人工智能的努力。研究人員之一、傑佛遜實驗室的數據科學家 Kishan Rajput 表示：「我們開發的技術將幫助聚變研究人員在實際問題發生之前發現潛在問題。」
DIII-D 是一種託卡馬克裝置，呈甜甜圈形狀，利用強大的磁場來限制超熱等離子體。其 D 形截面被稱為環形場（TF）線圈的大型磁鐵環所包圍。這些線圈是依照嚴格的工程公差建造和固定的，但它們並非完全靜止。隨著等離子體穩定性在不同實驗或「拍攝」之間變化，這些線圈可能會稍微移動。Rajput 補充道：「您希望能預測這些線圈在實驗過程中的運動，以瞭解特定拍攝的穩定性以及是否可能出現問題。」
然而，描述這種運動的數據隨著時間的推移也會發生變化。這為傳統機器學習帶來了挑戰。使用昨日數據訓練的模型實際上假設明天的數據將以相似的方式運行。然而，Rajput 解釋道：「由於等離子體的行為總是變化，因此 TF 線圈數據在不同拍攝之間存在大量漂移。如果僅僅依賴歷史數據訓練模型而不進行更新，那麼它很可能不可靠。」
持續更新的虛擬系統
DIII-D 團隊希望能有更靈活的解決方案。他們想要一個可以在拍攝之間持續更新的 TF 線圈系統的虛擬版本，並預測下一次的狀況。在他們最新的研究中，Rajput 和他的同事提出了一種使用通過在線學習訓練的深度神經網絡的方法。這種在線學習不僅僅是一次性訓練模型，而是持續將新信息輸入系統，以便它能隨著條件的演變而調整。研究人員進一步拓展了這一想法。他們並未依賴單一模型，而是創建了一個包含多個模型的在線集成，這些模型是基於不同的歷史時間範圍進行訓練的。
這一點至關重要，因為聚變機器的變化速度可能各不相同。一些模型更適合應對突發變化，而另一些則能捕捉較慢的、逐步的變化。涵蓋中間時間段的模型則填補了它們之間的空隙。
然而，還存在另一個問題。在預測過程中，系統尚不清楚其預測是否正確。研究人員通過為每個預測提供不確定性估計來解決這個問題，這本質上是一種衡量模型信心的指標。該集成系統則對於產生更窄、更可靠不確定性範圍的模型給予更多影響力。最終的結果是，該系統不僅僅告訴操作人員它認為會發生什麼，還為他們提供了信任該預測的程度的指示。結果非常顯著。與靜態機器學習模型相比，在線學習將預測誤差降低了 80%。
不確定性引導的集成進一步將誤差降低了約 10%，相比於標準的單模型在線學習，同時提供了可以支持運營決策的不確定性估計。
數字雙胞胎的應用
研究人員將該系統描述為 DIII-D 的環形場線圈系統的數字雙胞胎——一個可以提供信息的虛擬副本，並用於預測實體機器的反應。Rajput 表示：「我們創建了一個虛擬副本，或多或少。您可以向這個虛擬副本提供各種不同的參數，以便在實體機器上運行。」這在 DIII-D 特別有用，因為拍攝大約每 10 分鐘進行一次。這種實驗之間的短暫間隔使操作人員幾乎沒有時間調查意外的硬件行為。
在下一次拍攝之前預測線圈的運動，可以讓他們在小問題變成大問題之前修改等離子體參數或進行維護。DIII-D 也在控制聚變等離子體內部危險行為的其他研究中發揮了重要作用。研究人員希望利用數年的數據來運行該系統，使其能遇到更稀有的事件，並改善其不確定性估計。他們還希望瞭解隨著機器的變化，模型本身如何演變。Rajput 補充道：「人們希望瞭解 AI 模型內部發生了什麼，而不是所謂的‘黑箱’。
這是首要任務，因為這能建立信任。」
目前，該框架被認為已準備好在 DIII-D 上部署，並可能適應其他聚變機器。如果那樣的話，人工智能可能會超越分析聚變實驗的角色，成為決定下一次實驗是否準備好開始的機器的一部分。隨著研究人員越來越多地探索人工智能在聚變中的應用，包括加速複雜的聚變模擬和改善託卡馬克中的等離子體控制，這一前景更加引人注目。該研究已發表在《機器學習與應用》期刊上。
人工智能在核融合研究中的潛力
隨著聚變技術的發展，研究人員越來越依賴人工智能來解決複雜問題。這種機器學習系統不僅能預測硬件變化，還能持續適應新數據，顯示出其在動態環境中的靈活性。此外，系統提供的不確定性估計增強了操作人員的信心，有助於提前識別潛在問題。這一進展不僅提升了核融合研究的效率，還可能推動人工智能在其他科學領域的應用。