


Pembelajaran mesin menemui gabungan isotop hidrogen yang tepat untuk loji kuasa gabungan masa hadapan
Editor |. Daun Kubis
Gabungan nuklear, sumber kuasa bintang, dicadangkan sebagai sumber tenaga masa depan manusia dan boleh membekalkan tenaga bersih dan boleh diperbaharui tanpa sisa radioaktif yang dikaitkan dengan loji pembelahan nuklear semasa.
Sama seperti proses pelakuran yang menumpahkan tenaga daripada matahari, kemudahan pelakuran nuklear masa hadapan akan membanting bersama isotop hidrogen, unsur paling ringan di alam semesta, dalam gas super panas atau "plasma" yang terkandung dalam medan magnet yang kuat dihasilkan dan tenaga dikumpulkan dalam bentuk perbezaan jisim.
Sebelum pelakuran nuklear terkawal sebenarnya boleh berlaku di Bumi, satu perkara yang mesti diketahui saintis ialah campuran isotop hidrogen yang digunakan - terutamanya hidrogen "standard", yang mempunyai satu proton dalam nukleusnya, dan deuterium, yang mempunyai satu proton dalam nukleusnya. . dan satu neutron, tritium mempunyai satu proton dan dua neutron dalam nukleusnya. Pada masa ini, ini dilakukan menggunakan spektrum daripada peranti gabungan tokamak prototaip, tetapi analisis ini boleh memakan masa yang lama.
Dalam penyelidikan baru-baru ini, Mohammed Koubiti, profesor bersekutu di Aix-Marseille Université di Perancis, menjalankan penilaian untuk menentukan nisbah isotop hidrogen untuk prestasi plasma gabungan nuklear. Beliau menggabungkan pembelajaran mesin dengan spektroskopi plasma untuk menjalankan penyelidikan ini
Penyelidikan ini bertajuk "Aplikasi pembelajaran mesin kepada pelepasan garis spektroskopi oleh isotop hidrogen dalam peranti gabungan untuk penentuan dan ramalan nisbah isotop" dan akan diterbitkan pada 2023 Diterbitkan dalam "The European Jurnal Fizikal D" pada 14 Julai.
Loji kuasa masa depan berdasarkan tindak balas pelakuran magnet pasti akan beroperasi menggunakan campuran deuterium-tritium (DT). Walau bagaimanapun, disebabkan oleh radioaktiviti tritium, bahagian tritium dalam campuran tersebut mesti kekal di bawah ambang yang ditetapkan oleh agensi kawal selia atas sebab keselamatan yang jelas.
Pada masa ini, tokamak dan peranti lain yang dikhususkan untuk penyelidikan gabungan magnetik biasanya beroperasi menggunakan campuran gas hidrogen (H), deuterium (D) atau HD tulen. Walaupun European Joint Tokamak JET menggunakan campuran DT dalam kes yang jarang berlaku, untuk mematuhi had pengawalseliaan pada kandungan tritium, jumlah tritium dalam bekas tertutup mesti diketahui dengan tepat
"Dari segi prestasi, loji kuasa gabungan akan gunakan deuterium dan tritium Campuran beroperasi paling baik kerana ia berfungsi paling baik untuk gabungan, tetapi kandungan tritium mesti dikawal dan diuruskan dengan ketat untuk mematuhi had yang dikenakan oleh agensi kawal selia," kata Koubiti. "Selain itu, mungkin perlu mengetahui tritium kandungan dalam masa nyata untuk mengoptimumkannya. plasma. Selain itu, kawalan masa nyata kandungan tritium mungkin diperlukan dalam reaktor gabungan yang dikendalikan oleh DT untuk tujuan keselamatan atau pengoptimuman. Dalam kes ini, pengetahuan masa nyata tentang nisbah isotop T/D+T diperlukan. Kaedah standard untuk menentukan nisbah isotop tidak membenarkan aplikasi masa nyata, tetapi kecerdasan buatan boleh membantu.
"Matlamat utama adalah untuk mengelakkan penggunaan spektroskopi, yang analisisnya sangat memakan masa, dan menggantikannya dengan pembelajaran mendalam, atau sekurang-kurangnya menggabungkannya dengan pembelajaran mendalam untuk meramalkan kandungan tritium dalam plasma gabungan." Kajian ini hanyalah satu langkah ke arah matlamat itu. Saya masih menggunakan spektroskopi sebagai cara untuk membolehkan saya mencari ciri tambahan yang boleh digunakan oleh algoritma pembelajaran mendalam untuk meramalkan perubahan kandungan tritium dalam masa." Profesor Madya Mohammed Koubiti membincangkan beberapa idea tentang kemungkinan menggabungkan teknik pembelajaran mesin, seperti pembelajaran mendalam, dengan ukuran semasa untuk meramalkan peranti plasma gabungan masa hadapan. Kertas kerja beliau memberi tumpuan kepada pembelajaran mesin dalam fizik plasma gabungan untuk membuat ramalan sebelum eksperimen masa depan dalam kemudahan dalam pembinaan seperti ITER
Lebih tepat lagi, pengenalan ringkas kepada kaedah berdasarkan penggunaan garis Hα/Dα Kaedah untuk menggunakan ciri spektrum mudah sebagai ciri input untuk algoritma pembelajaran mendalam. Matlamatnya adalah untuk meramalkan nisbah isotop campuran hidrogen-deuterium (plasma HD) berdasarkan ciri input yang diterangkan di atas. Pengesahan kaedah sebelum ini dilakukan menggunakan set 200 000 spektrum garis yang dijana untuk keadaan tipikal penyeleweng tokamak.
Koubiti membincangkan peralihan daripada spektrum yang dijana kepada yang diperhatikan dan kemungkinan ekstrapolasi daripada pelepasan plasma HD kepada DT. Banyak isu yang masih perlu ditangani ditunjukkan untuk mencapai teknik berasaskan pembelajaran mendalam yang teguh yang mampu meramalkan kuantiti fizikal dengan paling tepat seperti nisbah isotop hidrogen dalam plasma gabungan yang beroperasi dengan campuran DT dalam loji kuasa berasaskan gabungan magnet masa hadapan.
Koubiti menambah bahawa langkah seterusnya adalah untuk menyelesaikan projek dengan mengenal pasti ciri bukan spektrum yang mesti dimasukkan ke mana-mana algoritma pembelajaran mendalam. Selepas itu, beliau merancang untuk menguji penemuan ini pada beberapa peranti gabungan magnetik, seperti JET, ASDEX-Upgrade atau peranti tokamak seperti WEST dan DIII-D, serta peranti plasma stellarator yang bergantung pada magnet luaran untuk mengekang plasma
Word of mouth menyebut bahawa saya juga bercadang untuk memperluaskan skop aplikasi teknologi pembelajaran mendalam kepada bidang spektroskopi bukan plasma
Sila klik pautan berikut untuk melihat kertas: https://link.springer.com/article/10.1140/ epjd/s10053-023 -00719-0
Laporan berkaitan: https://phys.org/news/2023-09-Pengekstrakan mesin isotop hidrogen-tenaga nuklear masa hadapan.html
Atas ialah kandungan terperinci Pembelajaran mesin menemui gabungan isotop hidrogen yang tepat untuk loji kuasa gabungan masa hadapan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Dalam pembuatan moden, pengesanan kecacatan yang tepat bukan sahaja kunci untuk memastikan kualiti produk, tetapi juga teras untuk meningkatkan kecekapan pengeluaran. Walau bagaimanapun, set data pengesanan kecacatan sedia ada selalunya tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal, menyebabkan model tidak dapat mengenal pasti kategori atau lokasi kecacatan tertentu. Untuk menyelesaikan masalah ini, pasukan penyelidik terkemuka yang terdiri daripada Universiti Sains dan Teknologi Hong Kong Guangzhou dan Teknologi Simou telah membangunkan set data "DefectSpectrum" secara inovatif, yang menyediakan anotasi berskala besar yang kaya dengan semantik bagi kecacatan industri. Seperti yang ditunjukkan dalam Jadual 1, berbanding set data industri lain, set data "DefectSpectrum" menyediakan anotasi kecacatan yang paling banyak (5438 sampel kecacatan) dan klasifikasi kecacatan yang paling terperinci (125 kategori kecacatan

Komuniti LLM terbuka ialah era apabila seratus bunga mekar dan bersaing Anda boleh melihat Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 dan banyak lagi. model yang cemerlang. Walau bagaimanapun, berbanding dengan model besar proprietari yang diwakili oleh GPT-4-Turbo, model terbuka masih mempunyai jurang yang ketara dalam banyak bidang. Selain model umum, beberapa model terbuka yang mengkhusus dalam bidang utama telah dibangunkan, seperti DeepSeek-Coder-V2 untuk pengaturcaraan dan matematik, dan InternVL untuk tugasan bahasa visual.

Bagi AI, Olimpik Matematik tidak lagi menjadi masalah. Pada hari Khamis, kecerdasan buatan Google DeepMind menyelesaikan satu kejayaan: menggunakan AI untuk menyelesaikan soalan sebenar IMO Olimpik Matematik Antarabangsa tahun ini, dan ia hanya selangkah lagi untuk memenangi pingat emas. Pertandingan IMO yang baru berakhir minggu lalu mempunyai enam soalan melibatkan algebra, kombinatorik, geometri dan teori nombor. Sistem AI hibrid yang dicadangkan oleh Google mendapat empat soalan dengan betul dan memperoleh 28 mata, mencapai tahap pingat perak. Awal bulan ini, profesor UCLA, Terence Tao baru sahaja mempromosikan Olimpik Matematik AI (Anugerah Kemajuan AIMO) dengan hadiah berjuta-juta dolar Tanpa diduga, tahap penyelesaian masalah AI telah meningkat ke tahap ini sebelum Julai. Lakukan soalan secara serentak pada IMO Perkara yang paling sukar untuk dilakukan dengan betul ialah IMO, yang mempunyai sejarah terpanjang, skala terbesar dan paling negatif

Editor |KX Sehingga hari ini, perincian dan ketepatan struktur yang ditentukan oleh kristalografi, daripada logam ringkas kepada protein membran yang besar, tidak dapat ditandingi oleh mana-mana kaedah lain. Walau bagaimanapun, cabaran terbesar, yang dipanggil masalah fasa, kekal mendapatkan maklumat fasa daripada amplitud yang ditentukan secara eksperimen. Penyelidik di Universiti Copenhagen di Denmark telah membangunkan kaedah pembelajaran mendalam yang dipanggil PhAI untuk menyelesaikan masalah fasa kristal Rangkaian saraf pembelajaran mendalam yang dilatih menggunakan berjuta-juta struktur kristal tiruan dan data pembelauan sintetik yang sepadan boleh menghasilkan peta ketumpatan elektron yang tepat. Kajian menunjukkan bahawa kaedah penyelesaian struktur ab initio berasaskan pembelajaran mendalam ini boleh menyelesaikan masalah fasa pada resolusi hanya 2 Angstrom, yang bersamaan dengan hanya 10% hingga 20% daripada data yang tersedia pada resolusi atom, manakala Pengiraan ab initio tradisional

Editor |. ScienceAI Berdasarkan data klinikal yang terhad, beratus-ratus algoritma perubatan telah diluluskan. Para saintis sedang membahaskan siapa yang harus menguji alat dan cara terbaik untuk melakukannya. Devin Singh menyaksikan seorang pesakit kanak-kanak di bilik kecemasan mengalami serangan jantung semasa menunggu rawatan untuk masa yang lama, yang mendorongnya untuk meneroka aplikasi AI untuk memendekkan masa menunggu. Menggunakan data triage daripada bilik kecemasan SickKids, Singh dan rakan sekerja membina satu siri model AI untuk menyediakan potensi diagnosis dan mengesyorkan ujian. Satu kajian menunjukkan bahawa model ini boleh mempercepatkan lawatan doktor sebanyak 22.3%, mempercepatkan pemprosesan keputusan hampir 3 jam bagi setiap pesakit yang memerlukan ujian perubatan. Walau bagaimanapun, kejayaan algoritma kecerdasan buatan dalam penyelidikan hanya mengesahkan perkara ini

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pada tahun 2023, hampir setiap bidang AI berkembang pada kelajuan yang tidak pernah berlaku sebelum ini. Pada masa yang sama, AI sentiasa menolak sempadan teknologi trek utama seperti kecerdasan yang terkandung dan pemanduan autonomi. Di bawah trend berbilang modal, adakah status Transformer sebagai seni bina arus perdana model besar AI akan digoncang? Mengapakah penerokaan model besar berdasarkan seni bina MoE (Campuran Pakar) menjadi trend baharu dalam industri? Bolehkah Model Penglihatan Besar (LVM) menjadi satu kejayaan baharu dalam penglihatan umum? ...Daripada surat berita ahli PRO 2023 laman web ini yang dikeluarkan dalam tempoh enam bulan lalu, kami telah memilih 10 tafsiran khas yang menyediakan analisis mendalam tentang aliran teknologi dan perubahan industri dalam bidang di atas untuk membantu anda mencapai matlamat anda dalam bidang baharu. tahun. Tafsiran ini datang dari Week50 2023

Editor |. Penggunaan Ziluo AI dalam memperkemas penemuan dadah semakin meletup. Skrin berbilion molekul calon untuk mereka yang mungkin mempunyai sifat yang diperlukan untuk membangunkan ubat baharu. Terdapat begitu banyak pembolehubah untuk dipertimbangkan, daripada harga material kepada risiko kesilapan, sehingga menimbang kos mensintesis molekul calon terbaik bukanlah tugas yang mudah, walaupun saintis menggunakan AI. Di sini, penyelidik MIT membangunkan SPARROW, rangka kerja algoritma membuat keputusan kuantitatif, untuk mengenal pasti calon molekul terbaik secara automatik, dengan itu meminimumkan kos sintesis sambil memaksimumkan kemungkinan calon mempunyai sifat yang diingini. Algoritma juga menentukan bahan dan langkah eksperimen yang diperlukan untuk mensintesis molekul ini. SPARROW mengambil kira kos mensintesis sekumpulan molekul sekaligus, memandangkan berbilang molekul calon selalunya tersedia
