近日，Commonwealth Fusion Systems(CFS)、美國能源部普林斯頓等離子體物理實驗室(PPPL)和橡樹嶺國家實驗室通過公私合作伙伴關系，催生出一種新的人工智能(AI)方法，可更快找到核聚變中能讓容器免受等離子體高溫侵襲的“磁陰影”區域，這對保護聚變容器內部至關重要。

藝術家對聚變容器內部的詮釋，其中一些內表面直接暴露在等離子體中。一些區域位于其他部件的“磁陰影”中，因此被磁屏蔽，免受等離子體的高溫影響。(插圖來源：Kyle Palmer / PPPL 通訊部)

這種名為HEAT-ML的新型人工智能技術，有望為顯著加快未來聚變系統設計的軟件奠定基礎。此類軟件能在聚變操作過程中通過調整等離子體做出正確決策，防患潛在問題于未然。《融合工程與設計》雜志一篇論文的合著者邁克爾·丘吉爾稱，此研究表明可利用現有代碼創建AI替代品，加快獲取有用答案的速度，開辟控制和情景規劃新途徑。

聚變是為太陽和恒星供能的反應，有望在地球提供無限電力，但研究人員需克服諸多科學和工程挑戰，其中之一便是處理來自等離子體的強熱。當等離子體被磁場限制在托卡馬克聚變容器中時，溫度高于太陽核心。加快計算速度、預測熱量襲擊位置及安全區域，是將聚變能引入電網的關鍵。PPPL副研究員、HEAT-ML論文第一作者Doménica Corona Rivera表示，托卡馬克面向等離子體的部件若接觸高溫等離子體可能被熔化或損壞，最糟情況需停止運行。

HEAT-ML是專門為模擬SPARC(目前由CFS正在建造的托卡馬克裝置，該公司希望到2027年實現凈能量增益)的一小部分而制造的。模擬熱量如何影響SPARC內部是實現凈能量增益目標的核心，也是巨大計算挑戰。團隊將挑戰分解，專注于SPARC內部等離子體熱排放最強且與材料壁相交的區域，該區域位于機器底部附近，占地15塊瓦片，是機器排氣系統中受熱最多的部分。

為創建模擬，研究人員生成“陰影掩模”，即磁陰影的3D地圖，磁陰影是聚變系統內部組件表面被屏蔽、避免直接受熱的特定區域，其位置取決于托卡馬克內部部件形狀及與限制等離子體的磁場線的相互作用。最初，開源計算機程序HEAT(熱通量工程分析工具包)計算這些陰影掩模，但追蹤磁力線并找到其與詳細3D機器幾何形狀的交點是重大瓶頸，單次模擬約需30分鐘，復雜幾何形狀耗時更長。

HEAT-ML克服了這一瓶頸，將計算時間縮短至幾毫秒。它使用深度神經網絡，通過多層數學運算和參數尋找模式來學習完成特定任務，其深度神經網絡利用HEAT提供的約1000個SPARC模擬數據庫進行訓練，以學習計算陰影掩模。目前，HEAT-ML僅與SPARC排氣系統具體設計相關，適用于該托卡馬克裝置一小部分且是HEAT代碼中的可選設置，但研究團隊希望擴展其功能，推廣至任何形狀和尺寸的排氣系統及托卡馬克裝置內部其他面向等離子體的部件的蔭罩計算。