Name

Năng lượng cực nóng hứa hẹn gần 100 triệu độ C. Tại nhiệt độ này, đồng vị khí hydro vượt qua sự đẩy ngược điện và kết hợp, giải phóng một lượng năng lượng khổng lồ, chứa và điều khiển vật liệu bay hơi này là cực kỳ khó khăn. plasma không ổn định, bất ngờ, bất ngờ bị phá vỡ, bị kích hoạt, và tương tác với trường học.

Thiết bị hợp hạch hiện đại như tokamak (v. d., ITER, JET, D) và các siêu sao (v. d., Wendelstein 7-X) tạo ra các bộ dữ liệu khổng lồ từ hàng ngàn bộ cảm biến, mật độ, nhiệt độ, bức xạ và hạt. Phân tích dữ liệu này ngày càng kém thực tế. Máy học tập (ML) cung cấp một đường dẫn chuyển động dữ liệu để lấy sự hiểu biết hành động, dự đoán sự phân hủy sắp xảy ra, và điều khiển tối ưu trong các phương pháp cổ điển không thể tương ứng trực tiếp. Bằng cách học tập từ dữ liệu thực nghiệm và mô phỏng dữ liệu mô phỏng mô hình dạng dạng dạng dạng ML có thể ẩn và hiệu quả hơn.

Vai trò của máy học trong việc nghiên cứu về cháy nổ

Các thuật toán học máy - sắp xếp từ mạng thần kinh giám sát đến việc tăng cường học tập - bây giờ là tích hợp để nghiên cứu. sức mạnh chính của họ là trong việc xử lý cao không gian, dữ liệu nhiễu và xác định mối quan hệ phi tuyến mà chi phối hành vi plasma. hơn là thay thế mô hình vật lý, ML bổ sung chúng bằng cách cung cấp các ước lượng nhanh hơn, linh hoạt hơn và bằng cách phát hiện các tương quan cơ bản nâng cao các mô phỏng đầu tiên.

Comment

Một trong những hiện tượng nguy hiểm nhất trong Tokamak là sự gián đoạn. Mô hình ML được đào tạo về dữ liệu lịch sử từ máy tính như JET và D đã đạt được độ chính xác cao, sử dụng các kỹ thuật như mạng thần kinh hình thành (CN) và bộ nhớ ngắn (phần trăm giây) để xử lý các tín hiệu thời gian. Lấy thí dụ, 2019 tại mô hình tổng hợp học phân tích kỹ thuật có thể dự đoán chính xác đến 96 D/D, có thể dự đoán được các trường trung lập, hoặc chỉ cần thiết để ngăn chặn sự tiến hành của các hoạt động của ống dẫn khí plasma hoặc hệ thống lọc điện từ.

Sự kết hợp giữa những dự đoán phá vỡ thời gian thực và hệ thống điều khiển là một bước ngoặt cho ER, mà sẽ cần những hệ thống linh hoạt, thích nghi có khả năng xử lý quy mô và năng lượng chưa từng thấy của một plasma đang cháy.

Cách tô màu sự quản lý thời gian thực

Bên cạnh dự đoán, máy học có khả năng điều khiển sự thích ứng, điều khiển thời gian thực của các tham số plasma. Bộ điều khiển phản hồi truyền thống dựa vào các mô hình tuyến tính có thể thất bại dưới điều kiện rất phi tuyến tính. Các nhà nghiên cứu tại Trung tâm plasma (C) và DeepMind đã sử dụng khả năng tự động điều khiển cuộn dây từ trong TCkak, đạt được cấu hình chính xác của plasma và sự giam giữ. Hệ thống RL học để xử lý nhiều dây điện, có khả năng điều khiển hoạt động đồng thời, điều khiển hiệu suất cao hơn. Có thể giúp tăng cường độ hiệu suất plasma, và giảm điện từ động nhanh hơn.

Máy chủ khóa học kỹ thuật trong dung dịch Furion

Học tập giám sát để sửa chữa hồ sơ

Việc tái tạo chính xác hồ sơ plasma (v. d., nhiệt độ điện tử, mật độ ec-on, phân phối hiện thời) là thiết yếu để hiểu hiệu suất. Mô hình ML giám sát có thể suy ra những hồ sơ này từ những cách chẩn đoán hạn chế, thường nhanh hơn các phương pháp chuyển đổi đồ họa. Lấy thí dụ, mạng thần kinh được đào tạo trên dữ liệu tổng hợp từ mã cân bằng dòng lệnh có thể cung cấp những ước tính thời gian thực, đưa vào vòng điều khiển cho các tình huống tomak tiên tiến như rào cản vận chuyển nội bộ.

Học cách phát hiện không có chủ ý

Phát hiện vô tuyến bằng cách dùng các thuật toán tự động hay cụm giúp xác định trạng thái lạ của plasma trước khi bị gián đoạn hoặc chỉ ra sự thoái hóa thiết bị. Bằng cách học một sự thể nén của điều kiện hoạt động bình thường, những mô hình lệch cờ có thể báo hiệu thất bại. Cách tiếp cận này đã được áp dụng cho dữ liệu từ KSP và Nâng cấp ASEX, tiết lộ các tiền tố tinh vi đến chế độ cạnh (ELM).

Học hỏi sâu về cách làm người mẫu hỗn loạn

Sự nhiễu loạn plasma gây ra sự chuyển dịch nhiệt độ không tốt, giảm bớt sự biệt lập. Các mô phỏng đa dạng hóa gyrokinetic được dùng để dự đoán sự nhiễu nhiệt từ đầu giảm, tăng tốc độ thiết kế cấu hình từ tính tối ưu.

Thử thách và sự hướng dẫn trong tương lai

Bất kể những tiến bộ đáng kể, việc kết hợp ML vào hoạt động hợp hạch đưa đến nhiều trở ngại.

Chất lượng dữ liệu và khả năng hoạt động

Thí nghiệm Fusion tạo ra dữ liệu thường bị mất cân bằng (những kỹ thuật thay đổi là hiếm), ồn ào, và không phải trạm (lên cấp) (không có gì thay đổi ứng xử). Mô hình dạng ML được đào tạo trên một tập tin tokamak có thể không tổng quát hơn. Việc chuyển đổi việc học và các kỹ thuật thích nghi đang được khám phá, nhưng tính mạnh mẽ trên các máy khác nhau và các trường hợp khác nhau vẫn còn là một thử thách. Hơn nữa, những dữ liệu có chất lượng cao cho sự kiện hiếm gặp khó khăn, đòi hỏi tăng cường cẩn thận dữ liệu tổng hợp từ mô phỏng.

Khả năng hiểu và sự tin cậy

Các nhà nghiên cứu đang phát triển các phương pháp AI có thể giải thích được. Một " Hộp đen" dự đoán không thể được tin cậy để kiểm soát thời gian thực, đặc biệt trong một môi trường nguy hiểm như một lò phản ứng hợp hạch. Các nhà nghiên cứu đang phát triển phương pháp AI có thể giải thích được (v.g. g. fuP, cơ chế chú ý) để xác định những tính năng nào là các tính năng nhập, cho phép xác định sự xác thực chống lại trực giác. Đối với dự đoán gián đoạn, điều này có nghĩa là địa phương và cảm biến đổi thời gian cho một báo động, giúp hiệu lực lý của mô hình.

Triển khai thời gian thực

Đang triển khai mô hình ML trong vòng điều khiển thời gian thực áp dụng các quy tắc dây (thường là giây giây đến vài giây). Mô hình nén, định lượng hoá và tăng tốc xử lý phần cứng (FPGAs, GPUs) là thiết yếu. Bước tiếp theo là để nhúng mạng thần kinh vào hệ thống điều khiển plasma (PCS) của cơ sở chính như ITER, nơi tính đáng tin cậy và xác định là tối ưu.

Hợp tác giữa các sự sửa trị

Ứng dụng ML thành công đòi hỏi sự hợp tác chặt chẽ giữa các nhà vật lý và các nhà khoa học dữ liệu. nhà vật lý phải quản lý các tính năng có ý nghĩa và các dự đoán xác thực; các nhà khoa học phải thiết kế các mô hình mà tôn trọng vật lý không có xu hướng. sáng kiến chéo phân chia, như là cổng Dữ liệu Fusion và AI cho loạt công ty Fusion, đang khuyến khích sự hợp tác này. các thiết lập dữ liệu mở và các dấu chấm nhỏ cũng tăng tốc độ tăng tiến độ.

Kết luận

Máy học tập không còn là công cụ ngoại biên trong nghiên cứu hợp hạch nó trở thành một thành phần cốt lõi của plasma tối ưu hóa. từ dự đoán sự gián đoạn với độ chính xác cao để cho phép tự động điều khiển các tính năng địa lý phức tạp, phương pháp L trực tiếp tăng tốc độ về phía dòng thời gian thực tế. Khi năng lượng máy tính phát triển và nhiều dữ liệu từ các thiết bị tiếp theo như ITER trở thành có sẵn, sự kết hợp giữa máy học và vật lý học sẽ chỉ sâu sắc hơn. Đường dẫn đến các lò phản ứng thương mại đòi hỏi mạnh mẽ, thời gian thực và giải thích được hệ thống có thể hoạt động dưới điều kiện cực đoan. tiếp tục nghiên cứu và hợp tác, những vị trí này là những vị trí có thể thay đổi, khi máy tính học hỏi năng lượng, và các vị trí có thể hoạt động được, như là một máy tính hoạt động.

Để đọc thêm, xem các bản ôn lại gần đây "Machine học để kiểm soát plasma trong lò phản ứng hợp hạch " trong ) [FLT:] Vật lý sinh học [FLT:], và dự án [FT-60] của Al]. Cũng hãy tìm hiểu [FL:] nghiên cứu [FL:] về dự án nghiên cứu về dự án nghiên cứu về dự án [FL: 7] và [T] cho hội thảo về tính chất học tập đoàn AT] [FT].T].