麻省理工學院的研究人員正在使用一種新穎的機器學習技術測試一種簡化的湍流理論對複雜的等離子體現象進行建模的能力。為了使聚變能源成為世界能源網的可行資源，研究人員需要了解等離子體的湍流運動：在反應堆容器中旋轉的離子和電子的混合物。
等離子體粒子在被稱為托卡馬克的環形室中沿着磁場線運動，必須被限制足夠長的時間，以使核聚變裝置產生明顯的凈能量收益，當等離子體的熱邊緣（超過100萬攝氏度）與更冷的固體容器壁僅有幾厘米的距離時，最大的挑戰由此產生。
在麻省理工學院等離子體科學與聚變中心（PSFC）工作的核科學與工程系博士生Abhilash Mathews認為，這個等離子體邊緣是一個特別豐富的未解答問題的來源。作為一個湍流邊界，它是了解等離子體約束、燃料和可能撞擊材料表面的潛在破壞性熱流的核心–這些因素影響着聚變反應堆的設計。
為了更好地理解邊緣條件，科學家們專註於使用數值模擬對該邊界的湍流進行建模，這將有助於預測等離子體的行為。然而，該區域的”第一原理”模擬是聚變研究中最具挑戰性和最耗時的計算之一。如果研究人員能夠開發出運行速度更快、但具有量化水平的”簡化”計算機模型，那麼進展就會加快。
幾十年來，托卡馬克物理學家經常使用縮小的”雙流體理論”，而不是更高保真度的模型來模擬實驗中的邊界等離子體，儘管在準確性方面存在不確定性。在最近的出版物中，馬修斯開始以一種新的方式直接測試這種縮小的等離子體湍流模型的準確性：將物理學與機器學習相結合。
“一個成功的理論應該是預測你要觀察到的東西，”Mathews解釋說，”例如，溫度、密度、電動勢、流量。而正是這些變量之間的關係，從根本上定義了湍流理論。我們的工作實質上研究的是其中兩個變量之間的動態關係：湍流電場和電子壓力。”
在發表於《物理評論E》的第一篇論文中，Mathews採用了一種新穎的深度學習技術，使用人工神經網絡來構建制約還原流體理論的方程的表示。有了這個框架，他展示了一種從等離子體中的電子壓力波動中計算湍流電場的方法，與還原流體理論一致。當應用於湍流等離子體時，通常用於將電場與壓力聯繫起來的模型會被打破，但這個模型甚至對嘈雜的壓力測量也很穩定。
在發表在《等離子體物理學》上的第二篇論文中，Mathews進一步研究了這種聯繫，將其與更高保真度的湍流模擬進行對比。這種對不同模型的湍流的首次比較，在之前是非常困難的，因為難以做到精確評估。Mathews發現，在與現有核聚變裝置相關的等離子體中，縮小的流體模型預測的湍流場與高保真計算結果一致。在這個意義上，減少的湍流理論是有效的。但是為了完全驗證它，”我們應該檢查每個變量之間的每一個聯繫，”Mathews說。
首席研究科學家Jerry Hughes指出，等離子體湍流是眾所周知的難以模擬的，比在空氣和水中看到的熟悉的湍流更難。”這項工作表明，在正確的條件下，物理學上的機器學習技術可以從有限的觀察開始，描繪出快速波動的邊緣等離子體的非常完整的畫面。我很高興看到我們如何將其應用於新的實驗，在這些實驗中，我們基本上不會觀察到我們想要的每一個數量。”
這些基於物理學的深度學習方法在測試舊理論和擴大從新實驗中可以觀察到的東西方面鋪設了新的途徑。德克薩斯大學奧斯汀分校融合研究所的研究科學家David Hatch認為，這些應用是一種有前途的新技術的開始。
“Abhilash的工作是一項重大成就，具有廣泛的應用潛力，”他說。”例如，給定一個特定等離子體數量的有限診斷測量，物理學上的機器學習可以推斷出附近領域的其他等離子體數量，從而增強一個給定診斷所提供的信息，該技術還為模型驗證開闢了新的策略。將這些技術轉化為真實邊緣等離子體的聚變實驗是我們眼前的一個目標，目前工作正在進行中，但這只是一個開始”。