核聚變反應堆技術能夠以安全和可持續的方式滿足我們未來的電力需求。數值模型(Numerical models)能夠為研究人員提供關于聚變等離子體行為的信息，以及關于反應堆設計和運行有效性的寶貴見解。不過，要求大量的等離子體相互作用進行建模，需要一些專門的模型，而這些模型的速度不足以提供反應堆設計和運行的數據。

來自埃因霍溫理工大學應用物理系核聚變科學與技術組的 Aaron Ho 利用機器學習的方法，來加快堆芯等離子體湍流傳輸的數值模擬。他于 3 月 17 日進行了博士論文答辯。

核聚變反應堆研究的最終目標是以經濟可行的方式實現凈功率的提升。為了達到這個目標，已經建造了大型復雜的裝置，但隨著這些裝置變得越來越復雜，對其運行采取預測優先的方法變得越來越重要。這樣可以減少運行效率低下的情況，并保護設備不受嚴重損壞。

為了模擬這樣的系統，需要能夠捕捉到融合裝置中所有相關現象的模型，這些模型要足夠準確，以便預測可以用來做出可靠的設計決策，并且要足夠快，以快速找到可行的解決方案。

在他的博士研究中，Aaron Ho 通過使用基于神經網絡的模型開發了一個滿足這些標準的模型。這種技術有效地讓模型以數據收集為代價，同時保留了速度和精度。該數值方法被應用于一個減階湍流模型QuaLiKiz，該模型可以預測微湍流引起的等離子體傳輸量。這種特殊的現象是托卡馬克等離子體裝置中最主要的傳輸機制。遺憾的是，它的計算也是目前托卡馬克等離子體建模的限速因素。

Ho 成功地用 QuaLiKiz 評價訓練了一個神經網絡模型，同時將實驗數據作為訓練輸入。然后將得到的神經網絡耦合到一個更大的集成建模框架 JINTRAC 中，以模擬等離子體裝置的核心。

通過用Ho的神經網絡模型替換原有的QuaLiKiz模型，并對比結果，對神經網絡的性能進行了評估。與原來的 QuaLiKiz 模型相比，Ho 的模型考慮了更多的物理模型，重復結果的精度在 10% 以內，并且將模擬時間從 16 個核心的 217 個小時減少到單核心的2個小時。

然后為了檢驗模型在訓練數據之外的有效性，在等離子體升壓場景下，利用耦合系統進行優化練習，對模型進行了原理驗證。這項研究使人們對實驗觀測背后的物理學有了更深的理解，并強調了快速、準確和詳細的等離子體模型的好處。

最后，Ho建議，該模型可以擴展到控制器或實驗設計等進一步應用。他還建議將該技術擴展到其他物理模型，因為據觀察，湍流傳輸預測不再是限制因素。這將進一步提高綜合模型在迭代應用中的適用性，并能進行必要的驗證工作，使其能力更接近于真正的預測模型。

關鍵詞： 人工智能