美國的科學家們最近推出了一種新穎的人工智能（AI）方法，旨在保護核聚變反應堆免受等離子體產生的極端熱量影響。這種名為 HEAT-ML 的新方法是由來自英聯邦聚變系統（Commonwealth Fusion Systems, CFS）、美國能源部普林斯頓等離子體物理實驗室（Princeton Plasma Physics Laboratory, PPPL）以及橡樹嶺國家實驗室（Oak Ridge National Laboratory）的研究人員共同開發的。據報導，這項技術能夠快速識別磁影區域，這些區域是受到等離子體強烈熱量保護的關鍵區域，因此能夠在潛在問題發生之前及時預防。快速且準確地定位這些區域對於確保核聚變系統的長期運行至關重要，因為在這些系統中，等離子體的溫度可以高達超過太陽核心的溫度。
研究人員相信，這項新技術可以為未來核聚變系統的設計奠定基礎，並通過調整等離子體來支持運行過程中的明智決策。核聚變是驅動太陽和恆星的反應，若能成功實現，將為地球提供無限的無碳能源。然而，為了達到這一目標，研究人員首先必須克服重大科學和工程挑戰。其中最大的一個挑戰是管理等離子體的熱量，這在被限制在環形反應堆（tokamak）中時，溫度會超過太陽核心的溫度。因此，加速預測這些熱量將會襲擊的區域，以及哪些部分的 tokamak 將保持在其他組件的保護陰影中，是將核聚變電力接入電網的關鍵。
為了應對這一挑戰，研究人員開發了 HEAT-ML，這是一種基於 AI 的升級版開源熱流工程分析工具（Heat flux Engineering Analysis Toolkit, HEAT）。該軟件生成的「陰影面具」是 3D 地圖，顯示哪些 tokamak 的內牆部分受到等離子體的直接接觸保護。這項 AI 技術專門針對 CFS 在麻薩諸塞州建造的 tokamak SPARC，該反應堆旨在於 2027 年之前展示淨能量增益。在初步測試中，研究人員專注於 SPARC 排氣系統底部附近的 15 塊瓦片，該區域預計將承受最極端的熱量。
傳統上，HEAT 通過從組件表面追蹤磁場線來確定它們是否與其他內部結構相交，並將這些區域標記為「陰影區」。雖然這一過程準確，但速度較慢，單次模擬可能需要長達半小時，對於複雜的幾何形狀甚至需要更長的時間。新的 HEAT-ML 通過在約 1,000 次由 HEAT 生成的 SPARC 模擬數據上訓練深度神經網絡來克服這一瓶頸。一旦訓練完成，該 AI 能夠在幾毫秒內生成陰影面具，將計算時間縮短了幾個數量級。
這項研究顯示，可以利用現有的代碼創建一個 AI 代理，以加速獲得有用答案的能力，同時為控制和情境規劃打開了有趣的可能性。儘管當前版本專門針對 SPARC 的排氣系統，但團隊的目標是擴展其功能，以處理任何形狀或大小的排氣系統，以及 tokamak 內的其他等離子體接觸組件。這項研究已發表在《核聚變工程與設計》期刊上。
