机器学习有助于核聚变反应堆的湍流跟踪

麻省理工学院的研究人员开发了一种机器学习方法,可以影响聚变反应过程中产生的能量,对反应堆设计具有意义。

通过亚当Zewe 2022年11月18日
提供:麻省理工学院

机器学习见解

一个多学科的研究团队现在带来了机器学习的工具和见解,以识别和跟踪在促进聚变反应所需条件下出现的湍流结构。

这些模型能够在大约80%的时间里绘制准确的斑点边界,与被认为是真实的亮度轮廓重叠。


核聚变是一项有助于减缓气候变化的全球研究的核心,它承诺使用与太阳能相同的过程,提供几乎无限的无碳能源。

一个多学科的研究团队正在利用机器学习的工具和见解来帮助这项工作。来自麻省理工学院和其他地方的科学家已经使用计算机视觉模型来识别和跟踪在促进聚变反应所需条件下出现的湍流结构。

监测这些被称为“细丝”或“斑点”的结构的形成和运动,对于了解从反应燃料中流出的热量和颗粒流非常重要,这最终决定了反应堆壁满足这些流动的工程要求。然而,科学家们通常使用平均技术来研究斑点,这种技术将单个结构的细节交换为总体统计数据。单个blob信息必须通过在视频数据中手动标记来跟踪。

研究人员建立了一个等离子体湍流的合成视频数据集,以使这一过程更加有效和高效。他们用它来训练四个计算机视觉模型,每个模型都能识别和跟踪斑点。他们训练模型以与人类相同的方式精确定位斑点。

当研究人员使用真实的视频片段测试训练过的模型时,模型可以以很高的精度识别斑点——在某些情况下超过80%。该模型还能够有效地估计斑点的大小和它们移动的速度。

由于在一次融合实验中就捕获了数百万个视频帧,因此使用机器学习模型来跟踪斑点可以为科学家提供更详细的信息。

“以前,我们可以从宏观上了解这些结构的平均情况。现在,我们有了显微镜和计算能力来一次分析一个事件。如果我们退后一步,这揭示了这些机器学习技术的强大力量,以及使用这些计算资源取得进展的方法,”麻省理工学院等离子体科学与聚变中心的研究科学家西奥多·戈尔菲诺普洛斯说一篇论文详细介绍这些方法。

他的其他合著者包括第一作者、物理学博士候选人韩雄熙(Woonghee“Harry”Han);资深作者Iddo Drori,计算机科学与人工智能实验室(CSAIL)客座教授,波士顿大学副教授,哥伦比亚大学兼职教授;以及来自麻省理工学院等离子体科学与聚变中心、麻省理工学院土木与环境工程系以及瑞士洛桑联邦理工学院的其他研究人员。这项研究发表在自然科学报告

一组研究人员已经演示了使用计算机视觉模型来监测湍流结构,称为“斑点”,出现在受控核聚变研究中使用的超热燃料的边缘。超热的燃料,或等离子体,被保存在托卡马克装置中(右图)。在左边,一个黄色的“斑点”显示在一个合成图像中。提供:麻省理工学院

一组研究人员已经演示了使用计算机视觉模型来监测湍流结构,称为“斑点”,出现在受控核聚变研究中使用的超热燃料的边缘。超热的燃料,或等离子体,被保存在托卡马克装置中(右图)。在左边,一个黄色的“斑点”显示在一个合成图像中。提供:麻省理工学院

让事情升温

70多年来,科学家们一直试图利用可控的热核聚变反应来开发一种能源。为了达到核聚变反应所必需的条件,燃料必须被加热到1亿摄氏度以上。(太阳的核心温度约为1500万摄氏度。)

储存这种称为等离子体的超热燃料的常用方法是使用托卡马克。这些装置利用极其强大的磁场将等离子体固定在适当的位置,并控制等离子体的余热与反应堆壁之间的相互作用。

然而,在等离子体和反应堆壁之间的边缘,出现了像细丝一样的斑点。这些随机的、湍流的结构影响着能量在等离子体和反应堆之间流动的方式。

Golfinopoulos说:“知道这些斑点在做什么,会极大地限制托卡马克发电厂在边缘所需的工程性能。”

研究人员在实验过程中使用一种独特的成像技术来捕捉等离子体湍流边缘的视频。一场试验性的运动可能会持续数月;典型的一天将产生大约30秒的数据,相当于大约6000万视频帧,每秒钟出现数千个斑点。这使得手动跟踪所有斑点是不可能的,因此研究人员依靠平均采样技术,只能提供斑点大小、速度和频率的广泛特征。

“另一方面,机器学习通过对每一帧逐个跟踪提供了解决方案,而不仅仅是平均数量。这让我们对等离子体边界发生的事情有了更多的了解,”Han说。

他和他的合著者采用了四个成熟的计算机视觉模型,这些模型通常用于自动驾驶等应用,并训练它们来解决这个问题。

模拟气泡

为了训练这些模型,他们创建了一个巨大的合成视频剪辑数据集,捕捉了这些斑点的随机和不可预测的性质。

“有时它们会改变方向或速度,有时多个斑点合并,或分裂。这类事件在传统方法之前没有考虑过,但我们可以在合成数据中自由地模拟这些行为。”

Drori说,创建合成数据还允许他们标记每个斑点,这使得训练过程更有效。利用这些合成数据,他们训练模型在斑点周围画边界,教它们模仿人类科学家会画的东西。

然后他们用实验中的真实视频数据对模型进行了测试。首先,他们测量了模型绘制的边界与实际斑点轮廓的匹配程度。

然而,他们也想看看这些模型是否能预测出人类能识别的物体。他们请三位人类专家在视频帧中确定斑点的中心,并检查模型是否预测了这些位置的斑点。

这些模型能够在大约80%的时间里绘制准确的斑点边界,与被认为是真实的亮度轮廓重叠。他们的评估与人类专家的评估相似,并成功地预测了理论定义的斑点体系,这与传统方法的结果一致。

Han说,现在他们已经成功地使用合成数据和计算机视觉模型来跟踪斑点,研究人员计划将这些技术应用于聚变研究中的其他问题,比如估计等离子体边界的粒子输运。

Drori说,他们还公开了数据集和模型,并期待看到其他研究小组如何应用这些工具来研究斑点的动力学。

“在此之前,有一个进入壁垒,大多数研究这个问题的人都是等离子体物理学家,他们拥有数据集,并使用他们的方法。有一个庞大的机器学习和计算机视觉社区。这项工作的一个目标是鼓励更广泛的机器学习社区参与聚变研究,以实现帮助解决气候变化这一关键问题的更广泛目标。”

-由Chris Vavra编辑,网页内容经理,控制工程, CFE媒体与技术,cvavra@cfemedia.com


作者简介:Adam Zewe,麻省理工学院新闻办公室