10月9日，美國能源部普林斯頓等離子體物理實驗室(PPPL)發布了一項重大研究成果《New AI models of plasma heating lead to important corrections in computer code used for fusion research》。該研究開發了開創性的人工智能(AI)模型，這些模型正在重塑我們對聚變實驗中等離子體加熱的理解。這些新模型不僅將預測速度提高了1000萬倍，而且在傳統數字代碼失敗的情況下也能提供準確的結果。這一突破性的進展將在10月11日在亞特蘭大舉辦的美國物理學會等離子體分會第66屆年會上進行展示。

　　機器學習在核聚變研究中的力量

　　AI模型利用機器學習技術，專注于預測等離子體中電子和離子在受到離子回旋加速器頻率范圍(ICRF)加熱時的行為。這種加熱方法對于實現發生聚變反應所需的高溫至關重要。PPPL的副研究物理學家Álvaro Sánchez-Villar，同時也是發表在《Nuclear Fusion》雜志上的研究的主要作者，他解釋了他們工作的重要性：“通過我們的智慧，我們能夠訓練人工智能超越現有數值模型的局限。”該研究團隊與五個機構合作，使用現有計算機代碼生成的數據訓練他們的 AI 模型。雖然這些數據中的大部分與之前的結果一致，但研究人員在某些極端情況下遇到了意想不到的結果。

　　克服現有模型的局限性

　　在研究過程中，團隊在特定條件下發現了加熱曲線的異?，F象。Álvaro Sánchez-Villar描述了這一情況：“我們注意到，在某些參數設置下，加熱曲線會出現莫名其妙的不穩定峰值，而這些峰值背后并沒有物理原理的支持。”

　　美國能源部普林斯頓等離子體物理實驗室的副研究物理學家阿爾瓦羅·桑切斯·維拉爾 (Álvaro Sánchez Villar) 開發了用于等離子體加熱的新型 AI 模型，該模型可以提高預測速度，同時保持準確性，并在原始數字代碼失敗的地方提供準確的預測。(照片來源：Michael Livingston / PPPL 通訊部)這一發現使研究人員意識到：他們的AI模型不僅復制了現有代碼，而且實際上正在改進它。通過仔細整理訓練數據，他們有效地創建了原始代碼的更準確版本。桑切斯-維拉爾強調了這一發現的含義："這意味著，實際上，我們通過數據的精心篩選，相當于間接修復了原始代碼，"桑切斯·維拉爾解釋道。"正如每一種技術一樣，只要運用得當，人工智能不僅能幫助我們更迅速地解決問題，還能幫助我們以更好的方式解決問題，克服我們人類的局限。"

　　氘的加熱曲線顯示在 (d) 次要、(e) 主要和 (f) 嚴重異常值案例中。黑色表示原始數字代碼與異常值特征(峰值)一起顯示。紅色顯示 AI 模型的預測。綠色顯示更正后代碼的預測，AI 模型預料到這些預測，甚至預測更高的加熱。(圖片來源：Álvaro Sánchez-Villar / PPPL)

　　這些AI模型在速度上的提升同樣令人矚目。它們將ICRF加熱預測的計算時間從60秒大幅縮短至2微秒，提升了1000萬倍。這樣的加速讓研究人員能夠進行更多模擬實驗，并探索更多樣化的情況，以期實現將聚變能轉化為實用能源的目標。這些進步有可能使科學家和工程師能夠快速迭代和優化他們的實驗設計，從而顯著加速聚變研究?？焖贉蚀_地預測等離子體加熱行為的能力可以帶來更高效的聚變反應器設計，并使我們更接近實現可持續的聚變能源。

　　這些AI模型在等離子體加熱預測方面的成功為將機器學習技術應用于聚變研究的其他方面開辟了新的可能性。隨著AI在克服傳統數值模型局限性方面不斷證明其價值，我們可能會看到聚變科學中向更多AI集成方法的轉變。