以物理學為指導的神經網路正在創造觀察等離子體複雜性的新方法。聚變實驗是在極端條件下進行的，在專門的真空室中裝有溫度極高的物質。這些條件限制了診斷工具收集聚變等離子體資料的能力。此外，等離子體的電腦模型非常複雜，很難描述湍流等離子體的特徵。因此很難將模型與實驗聚變裝置的測量結果進行比較。

等離子體建模與實驗之間的橋樑

為此，研究人員展示了一種連接等離子體建模和實驗的新方法。研究人員利用常規安裝在聚變裝置中的帶有光學濾鏡的相機拍攝的照片，開發了一種推斷電子密度和溫度波動的技術。聚變科學家可以在實驗中利用這些資訊，以符合理論的方式預測等離子體場。

利用來自託卡馬克中等離子體邊緣的光線（左側為內部視圖），物理資訊神經網路重建了等離子體密度和溫度的湍流波動以及探測氦氣泡的分佈（右側）。作者：A. Mathews、J. Hughes 和J. Mullen

預測建模面臨的挑戰

聚變實驗中等離子體湍流的預測建模具有挑戰性。這是因為很難對這些混沌系統的邊界條件進行建模。研究人員利用客製化的物理資訊機器學習方法，開發了一個框架，能夠直接求解核融合實驗裝置邊界通常無法解決的等離子體特性。這使科學家能夠預測等離子體波動在實驗中的表現。這也使他們能夠以符合理論的方式測試預測模型。這種湍流建模以前並不實用。

聚變等離子體中約束的重要性

聚變等離子體的充分約束對於實現淨聚變能量生產的目標至關重要。預測限制的關鍵要素是了解等離子體的不穩定性如何導致聚變裝置內的冷卻和性能損失。因此，聚變界花了數十年的時間來提高實驗的測量能力，以完善預測模型。然而，聚變所需的極端溫度和真空條件使得在聚變裝置內部署診斷設備非常困難。

麻省理工學院的研究人員最近針對這項挑戰發表了兩篇論文。

麻省理工學院的創新研究

在第一篇論文中，研究人員展示瞭如何利用一種新穎的、以物理學為基礎的人工智慧框架，將實驗數據與輻射建模和動力學理論相結合，將常用快速相機收集的光子計數轉換為湍流尺度上的電子密度和溫度波動。其結果是對先前未觀察到的等離子體動力學的新穎實驗見解。

在第二篇論文中，研究小組利用這些電子動態訊息，結合廣泛使用的等離子體湍流理論，在實驗環境中直接預測出與偏微分方程式一致的電場波動。這項工作超越了傳統的數值方法，而是利用專門創建的物理資訊神經網路架構，為等離子體的非線性特性開發了一種新型建模方法。這項工作為了解理論預測是否與觀測結果相符開闢了新的科學途徑。

參考資料

A. Mathews、JL Terry、SG Baek、JW Hughes、AQ Kuang、B. LaBombard、MA Miller、D. Stotler、D. Reiter、W. Zholobenko 和M. Goto 的《來自氣泡湍流成像的等離子體和中性波動深度建模》，2022 年6 月16 日，《科學儀器評論》。
doi: 10.1063/5.0088216

《基於邊界湍流實驗圖像的漂移還原布拉金斯基理論與等離子體-中性相互作用的深電場預測》，作者：A. Mathews、JW Hughes、JL Terry 和SG Baek，2022 年12 月2 日，《物理評論快報》。
DOI: 10.1103/PhysRevLett.129.235002

編譯來源：ScitechDaily