機器學習(ML)是一種人工智能形式，可以識別面孔，理解語言并駕駛自動駕駛汽車，可以幫助將點燃太陽和星星的清潔聚變能帶入地球。美國能源部(DOE)普林斯頓等離子體物理實驗室(PPPL)的研究人員正在使用ML創建模型來快速控制等離子體-由自由電子和原子核或離子組成的物質狀態-促進了聚變反應。

太陽和大多數恒星是不斷發生聚變反應的巨大等離子體球。在地球上，科學家必須加熱和控制等離子體，以使粒子融合并釋放其能量。PPPL研究表明，ML可以促進這種控制。

神經網絡

由PPPL物理學家Dan Boyer領導的研究人員已經對神經網絡(機器學習軟件的核心)進行了培訓，以訓練國家融合圓環實驗升級(NSTX-U)(即旗艦融合設施)或tokamak，在PPPL。經過訓練的模型可以準確地再現由強大的中性束注入(NBI)產生的高能粒子行為的預測，該中性粒子注入可用于為NSTX-U等離子體提供燃料并將其加熱到與融合相關的百萬度溫度。

這些預測通常是由稱為NUBEAM的復雜計算機代碼生成的，該代碼結合了有關光束對等離子體的影響的信息。這種復雜的計算必須每秒進行數百次，以分析實驗期間的等離子體行為。但是每次計算可能要花費幾分鐘，因此只有在通常持續幾秒鐘的實驗完成后，結果才可供物理學家使用。

新的ML軟件將準確預測高能粒子行為所需的時間減少到150微秒以下-使計算可以在實驗過程中在線進行。

該模型的最初應用證明了一種估計未直接測量的等離子體行為特征的技術。該技術將ML預測與實時可用的有限血漿條件測量結合在一起。合并后的結果將幫助實時等離子體控制系統做出更明智的決策，以調整射束以優化性能并維持等離子體的穩定性，這是核聚變反應的關鍵質量。

快速評估

快速評估還將幫助操作員在操作期間每15-20分鐘執行一次的實驗之間進行更明智的調整。核聚變的論文的主要作者博耶說：“加速的建模能力可以向操作員展示如何調整NBI設置，以改善下一個實驗。”

博耶與PPPL物理學家斯坦·凱(Stan Kaye)合作，為一系列血漿條件生成了NUBEAM計算數據庫，該數據庫類似于在最初的NSTX-U運行過程中在實驗中獲得的血漿條件。研究人員使用該數據庫訓練神經網絡，以預測中性束對等離子體的影響，例如加熱和電流分布。然后，軟件工程師Keith Erickson在用于主動控制實驗以測試計算時間的計算機上實施了用于評估模型的軟件。

新工作將包括開發神經網絡模型，以適應未來NSTX-U活動和其他融合設施的計劃條件。此外，研究人員計劃擴展當前的建模方法，以實現對其他聚變等離子體現象的加速預測。這項工作的支持來自美國能源部科學辦公室。