近日，Commonwealth Fusion Systems(CFS)、美国能源部普林斯顿等离子体物理实验室(PPPL)和橡树岭国家实验室通过公私合作伙伴关系，催生出一种新的人工智能(AI)方法，可更快找到核聚变中能让容器免受等离子体高温侵袭的“磁阴影”区域，这对保护聚变容器内部至关重要。
艺术家对聚变容器内部的诠释，其中一些内表面直接暴露在等离子体中。一些区域位于其他部件的“磁阴影”中，因此被磁屏蔽，免受等离子体的高温影响。(插图来源：Kyle Palmer / PPPL 通讯部)
这种名为HEAT-ML的新型人工智能技术，有望为显著加快未来聚变系统设计的软件奠定基础。此类软件能在聚变操作过程中通过调整等离子体做出正确决策，防患潜在问题于未然。《融合工程与设计》杂志一篇论文的合著者迈克尔·丘吉尔称，此研究表明可利用现有代码创建AI替代品，加快获取有用答案的速度，开辟控制和情景规划新途径。
聚变是为太阳和恒星供能的反应，有望在地球提供无限电力，但研究人员需克服诸多科学和工程挑战，其中之一便是处理来自等离子体的强热。当等离子体被磁场限制在托卡马克聚变容器中时，温度高于太阳核心。加快计算速度、预测热量袭击位置及安全区域，是将聚变能引入电网的关键。PPPL副研究员、HEAT-ML论文第一作者Doménica Corona Rivera表示，托卡马克面向等离子体的部件若接触高温等离子体可能被熔化或损坏，最糟情况需停止运行。
HEAT-ML是专门为模拟SPARC(目前由CFS正在建造的托卡马克装置，该公司希望到2027年实现净能量增益)的一小部分而制造的。模拟热量如何影响SPARC内部是实现净能量增益目标的核心，也是巨大计算挑战。团队将挑战分解，专注于SPARC内部等离子体热排放最强且与材料壁相交的区域，该区域位于机器底部附近，占地15块瓦片，是机器排气系统中受热最多的部分。
为创建模拟，研究人员生成“阴影掩模”，即磁阴影的3D地图，磁阴影是聚变系统内部组件表面被屏蔽、避免直接受热的特定区域，其位置取决于托卡马克内部部件形状及与限制等离子体的磁场线的相互作用。最初，开源计算机程序HEAT(热通量工程分析工具包)计算这些阴影掩模，但追踪磁力线并找到其与详细3D机器几何形状的交点是重大瓶颈，单次模拟约需30分钟，复杂几何形状耗时更长。
HEAT-ML克服了这一瓶颈，将计算时间缩短至几毫秒。它使用深度神经网络，通过多层数学运算和参数寻找模式来学习完成特定任务，其深度神经网络利用HEAT提供的约1000个SPARC模拟数据库进行训练，以学习计算阴影掩模。目前，HEAT-ML仅与SPARC排气系统具体设计相关，适用于该托卡马克装置一小部分且是HEAT代码中的可选设置，但研究团队希望扩展其功能，推广至任何形状和尺寸的排气系统及托卡马克装置内部其他面向等离子体的部件的荫罩计算。
