機器學習為未來核融合發電廠尋找合適的氫同位素組合

編輯| 白菜葉

恆星的動力來源——核融合——被提議作為人類未來的能源，並且可以提供清潔和可再生的能源，而無需與目前核分裂工廠相關的放射性廢棄物。

就像從太陽溢出能量的聚變過程一樣，未來的核融合設施將把宇宙最輕的元素氫的同位素猛烈地撞擊在一起，在強大磁場所包含的超熱氣體或「等離子體」中，產生氦氣，並以質量差形式收集能量。

在地球上真正出現可控核融合之前，科學家必須知道的一件事是使用什麼氫同位素混合物——主要是「標準」氫，其原子核中有一個質子，氘的原子核中有一個質子和一個中子，氚的原子核裡有一個質子和兩個中子。目前，這是透過託卡馬克原型聚變裝置的光譜來完成的，但這種分析可能非常耗時。

在最近的研究中，法國艾克斯-馬賽大學（Aix-Marseille Université）副教授Mohammed Koubiti進行了評估，以確定核融合等離子體性能的氫同位素比率。他將機器學習與等離子體光譜學結合，進行了這項研究

該研究以「Application of machine learning to spectroscopic line emission by hydrogen isotopes in fusion devices for isotopic ratio determination and prediction」為題，於2023 年7 月14 日發佈在《The European Physical Journal D》。

未來基於磁聚變反應的發電廠肯定會使用氘-氚（DT）混合物來運作。然而，由於氚的放射性，出於明顯的安全原因，氚在此類混合物中的比例必須保持在監管機構規定的閾值以下。

目前，託卡馬克和其他致力於磁融合研究的裝置通常使用純氫 (H)、氘 (D) 或 HD 氣體混合物進行操作。儘管歐洲聯合託卡馬克JET 在極少數情況下使用DT 混合物，但為了遵守氚含量的規定限制，必須準確了解密封容器內氚的數量

“就性能而言，聚變發電廠將使用氘和氚的混合物運行，因為它們的核融合效果最佳，但氚的含量必須受到控制和嚴格管理，以遵守監管機構施加的限制。」Koubiti 說，「此外，可能有必要即時了解氚的含量，從而優化核電廠的性能。」

評估這一點的一種方法是確定同位素比T/D T，它代表氚密度相對於氘-氚等離子體中總等離子體密度的百分比。此外，出於安全或最佳化目的，DT 運作的聚變反應器可能有必要即時控制氚含量。在這種情況下，需要即時了解 T/D T 同位素比率。用於確定同位素比率的標準方法不允許即時應用，而人工智慧可以提供幫助。

「最終目標是避免使用光譜學，因為光譜學的分析非常耗時，並用深度學習來取代它，或至少將其與深度學習結合起來，以預測聚變等離子體中的氚含量。」Koubiti 解釋道，「這項研究只是朝著這個目標邁出的一步。我仍在使用光譜學作為一種手段，讓我能夠找到其他特徵，深度學習演算法可以使用這些特徵來預測聚變等離子體中氚含量隨時間的變化。」

Mohammed Koubiti副教授討論了機器學習技術（例如深度學習）與當前測量相結合以用於預測未來聚變等離子體設備的可能性的一些想法。他的論文重點介紹了聚變等離子體物理學中的機器學習，以便在ITER等正在建設的設備中進行未來實驗之前進行預測

更準確地說，簡要介紹了一種基於使用Hα /Dα 線的簡單光譜特徵作為深度學習演算法的輸入特徵的方法。其目的是根據上述輸入特徵預測氫-氘混合物（HD 等離子體）的同位素比率。此方法的驗證之前是透過使用針對託卡馬克偏濾器典型條件產生的一組 200 000 個線譜來完成的。

Koubiti 討論了從生成光譜到觀測光譜的轉變，以及從 HD 等離子體放電到 DT 等離子體放電可能進行的外推。指出了仍需要解決的許多問題，以實現基於深度學習的穩健技術，能夠最準確地預測物理量，例如，未來基於磁聚變的發電廠中使用 DT 混合物運行的聚變等離子體中的氫同位素比率。

口碧提補充道，下一步計劃通過識別必須提供給任何深度學習演算法的非光譜特徵來完成該專案。隨後，他打算在幾種磁聚變裝置，如JET、ASDEX-Upgrade或WEST、DIII-D等託卡馬克裝置，以及依靠外部磁鐵限制等離子體的仿星器等離子體裝置上對這些發現進行測試

口碑提到，我還打算將深度學習技術的應用範圍擴展到非等離子體光譜領域

#請點擊以下連結查看論文：https://link.springer.com/article /10.1140/epjd/s10053-023-00719-0

相關報告：https://phys.org/news/2023-09-機器提取氫同位素-未來核能.html

以上是機器學習為未來核融合發電廠尋找合適的氫同位素組合的詳細內容。更多資訊請關注PHP中文網其他相關文章！