人工智能有助于加快有效聚变反应的进程

在科学家能够有效捕获和部署聚变能之前，他们必须学会预测可能阻止聚变反应并破坏称为托卡马克的圆环形融合装置壁的主要破坏。及时预测中断，突然失去控制反应的热，带电等离子体对于触发避免或减轻此类大规模事件的步骤至关重要。

今天，美国能源部(DOE)普林斯顿等离子体物理实验室(PPPL)和普林斯顿大学的研究人员正在采用人工智能来提高预测能力。由PPPL物理学家兼普林斯顿大学教授级别和职称的讲师William Tang领导的研究人员正在开发ITER预测代码，ITER是法国正在建设的国际实验，旨在展示聚变能的实用性。

形式的“深度学习”

新的预测软件称为融合回归神经网络(FRNN)代码，是一种“深度学习”形式 - 一种更新，更强大的现代机器学习软件版本，是人工智能的应用。唐说：“深度学习是预测中断的一个令人兴奋的新途径。” “此功能现在可以处理多维数据。”

FRNN是一种深度学习架构，已被证明是使用远程模式分析顺序数据的最佳方式。PPPL和普林斯顿大学机器学习团队的成员是第一个系统地应用深度学习方法来解决托卡马克聚变等离子体中的破坏预测问题。

FRNN的首席架构师是Julian Kates-Harbeck，哈佛大学研究生和美国能源部科学计算科学研究员。凭借在斯坦福大学获得计算机科学硕士学位所获得的专业知识，他领导了FRNN软件的建设。

更准确的预测

使用这种方法，团队已经证明了比以前的方法更准确地预测破坏性事件的能力。通过来自位于英国的联合欧洲圆环(JET)设施的庞大数据库 - 运营中最大和最强大的托卡马克 - 研究人员在预测中断和减少误报警数量方面取得了显着进步。 。EUROfusion是欧洲融合能源发展联盟，负责管理JET研究。

该团队现在的目标是实现ITER将要求的具有挑战性的目标。这些包括在发生中断时产生95%的正确预测，而在没有中断时提供少于3%的错误警报。“在检查的测试数据集中，FRNN已经改进了预测真阳性的曲线，同时减少了误报，”PPPL的计算科学家Eliot Feibush说，他指的是常用的“接收器工作特性”曲线。测量机器学习的准确性。“我们正在努力提供更多的培训数据，以做得更好。”

要求很高

这个过程要求很高。“训练深度神经网络是一项计算密集型任务，需要高性能计算硬件的参与，”普林斯顿大学大数据研究员Alexey Svyatkovskiy说。“这就是为什么我们所做的很大一部分工作是在许多处理器上开发和分发新算法，以实现高效的并行计算。这种计算将处理从JET和其他托卡马克中断相关数据库中提出的问题日益增加的问题。 “

深度学习代码运行在图形处理单元(GPU)上，可以同时计算数千个程序副本，远远超过旧的中央处理单元(CPU)。在现代GPU集群以及世界级机器上进行的测试，如Titan，目前是橡树岭国家实验室DOE科学用户设施橡树岭领导计算设施中最快，最强大的美国超级计算机，已经展示出优秀的线性缩放。这种缩放减少了计算运行时间，与所使用的GPU数量成正比 - 这是高效并行处理的主要要求。

普林斯顿的虎群

普林斯顿大学现代GPU的Tiger集群是第一个进行深度学习测试的人，使用FRNN来证明预测融合中断的能力有所提高。此后，该代码已经在美国，欧洲和亚洲的Titan和其他领先的超级计算GPU集群上运行，并且随着GPU数量的增加，这些代码继续表现出色。

展望未来，研究人员试图证明这种强大的预测软件可以在全世界的托卡马克上运行，最终可以在ITER上运行。还计划在破坏性事件发生之前针对与较大数据集相关联的增加的问题大小来提高破坏分析的速度。该项目的支持主要来自PPPL提供的实验室指导研究和开发基金。