首页 科技内容详情
手机【ji】新2管理端(www.9cx.net):当<dang>AI遇上核聚变,“50 年悖论 lun[”的可(ke)控核聚变会提前实现吗?

手机【ji】新2管理端(www.9cx.net):当AI遇上核聚变,“50 年悖论 lun[”的可(ke)控核聚变会提前实现吗?

分类:科技

网址:

反馈错误: 联络客服

点击直达

USDT线上交易

www.usdt8.vip),全球頂尖的USDT場外擔保交易平臺。

,

作者/凯霞

自 20 世纪 40 年月以来,物理学家们举行了种种试验,但还没有人缔造出有用的核聚变反映。

不能控核聚变,在上世纪科学家已经研究出来了――氢弹。

可控核聚变能具有平安、清洁、燃料厚实等优点,是解决人类未来能源问题的主要选择之一。

在可控核聚变领域有一个著名的「50 年悖论」,意思就是说距离实现可控核聚变永远都只有 50 年,为了让核聚变「可控」,科学家们已经研究了 50 多年,接下来还要继续……

但,人工智能和机械学习 (ML) 已被证实在许多行业和应用中能够检测人类无法识其余数据中的玄妙模式。

那么神经网络和为其提供动力的 GPU 是否有助于核聚变?这是一个伟大的挑战,它将加速全球对「驯服」热等离子体不稳固性的探索,并最终提供一种可连续、无碳能源的泉源。

核聚变和可控核聚变

核聚变(nuclear fusion)是两个较轻的原子核(例如氘和氚)聚合为一个较重的原子核(例如氦),并释放出能量的历程。通常有重力场约束、惯性约束和磁约束三种方式来发生核聚变。

自然界中最容易实现的聚变反映是氢的同位素――氘与氚的聚变,这种反映在太阳上已经连续了 50 亿年。可控核聚变俗称「人造太阳」,由于太阳的原理就是核聚变反映。

可控核聚变能具有平安、清洁、燃料厚实等优点,是解决人类未来能源问题的主要选择之一。若是人类能够掌握有序释放核聚变的能量的方式,就即是掌握了太阳的能量泉源,即是掌握了无限无尽的矿石燃料、风力和水力能源。因此,可控核聚变反映堆当之无愧地被称作「人造太阳」。

科学家正在起劲研究可控核聚变,核聚变可能成为未来的能量泉源。核聚变燃料可泉源于海水和一些轻核,以是核聚变燃料是无限无尽的。

激光约束(惯性约束)核聚变,如我国的神光设计,美国的国家焚烧设计等;磁约束核聚变,好比托卡马克、仿星器、磁镜、反向场、球形环等。

2021 年 5 月 28 日,中科院合肥物质科学研究院有「人造太阳」之称的全超导托卡马克核聚变实验装置(EAST)缔造了新的天下纪录,乐成实现了可重复的 1.2 亿摄氏度 101 秒和 1.6 亿摄氏度 20 秒等离子体运行,将 1 亿摄氏度 20 秒的原纪录延伸了 5 倍。

图示:升级刷新后的全超导托卡马克核聚变实验装置(EAST)。(泉源:中科院合肥物质科学研究院等离子体物理研究所。)

中科院合肥物质科学研究院等离子体物理研究所所长宋云涛先容说,本次 EAST 的新纪录进一步证实晰核聚变能源的可行性,也为迈向商用奠基了物理和工程基础。

以下为深度学习和机械学习,最近在核聚变方面的应用研究:

深度学习在核聚变研究中的三种用途

葡萄牙里斯本大学(University of Lisbon)信息系统教授 Diogo Ferreira 说:「物理学家开发理论模子,编写方程,用数学方式处置事物。但这是有限度的。」 他说,人工智能可以提供辅助。

最近,Ferreira 与英国欧洲团结环 (Joint European Torus,JET) 的同事互助举行了一项研究,该研究详细先容了深度学习模子在核聚变研究中的三种差异用途。

该研究于 6 月 24 日以《Using HPC infrastructures for deep learning applications in fusion research》为题揭晓在《Plasma Phys. Control. Fusion》杂志上。

论文链接:https://iopscience.iop.org/article/10.1088/1361-6587/ac0a3b

该研究给出了深度学习模子的 3 个示例,即:用于图像重修的卷积神经网络 (CNN);循环神经网络 (RNN) 举行中止展望;用于异常检测的变分自编码器 (VAE)。

Ferreira 使用毗邻到 JET 反映堆的 48 个传感器(称为热辐射计)的诊断数据训练他的模子,这些传感器用于网络功率和辐射数据。

RNN 用于中止展望

第一个机械学习模子展望了超热等离子体的损坏。在研究中,Ferreira 注释说,凭证它的训练方式,该模子可以展望中止的可能性――这可能导致等离子体脱离限制、震惊装备、大幅降低等离子体的温度并竣事反映――或者展望中止发生的时间。

研究证实晰基于 JET 热辐射计开发的用于中止展望的深度学习模子可行性。等离子体辐射剖面提供了有关损坏相关行为的主要线索。

图示:脉冲 92 213 从 48.1 秒到 54 秒的重修,时间步长为 0.1 秒。(泉源:论文)

图示:用于中止展望的深度学习模子的结构。(泉源:论文)

VAE 用于异常检测

在深度学习领域,最常用于异常检测的模子类型是 VAE。异常检测依赖于 VAE 重修给定输入样本的能力。当 VAE 重现输入样本时,这解释它以前从未见过这种行为,因此这种行为被归类为异常。

第二个机械学习模子检测等离子体中的异常。该模子仅针对未发生中止的反映举行训练,可以重现这些「优越」的实验。若是数据源自以中止竣事的实验,该模子可以识别数据何时以及若何与乐成反映的数据差异。科学家可以使用这个历程来更好地领会最终导致中止的缘故原由,并最终发生中止可能性较小的反映。

图示:用于异常检测的深度学习模子的结构。(泉源:论文)

CNN 用于图像重修

另一个应用涉及等离子体辐射模式的视觉示意。CNN 用于等离子断层扫描。

通过约莫 400 个样本的批量巨细,在具有 16 GB 内存的单个 Nvidia P100 GPU 上训练网络,需要破费快要一天(16 小时)的时间来训练。相比之下,在具有 8 个 Nvidia P100 GPU 的多 GPU 节点上,可以在几个小时(2-3 小时)内训练模子。

该研究解释训练历程的壮大扩展性,且将训练漫衍在多个 GPU 上是有益的。

手机新2管理端

www.9cx.net)实时更新发布最新最快最有效的手机新2管理端网址,包括新2手机网址,新2备用网址,皇冠最新网址,新2足球网址,新2网址大全。

训练后,该模子可用于在几秒钟内天生整个脉冲的重修(而不是使用原始方式破费几分钟来天生单个重修)。

图示:用于等离子断层扫描的深度学习模子的结构。(泉源:论文)

Ferriera 说,执行蛮力、直接盘算,每个反映可能需要 20 分钟。相比之下,一个机械学习模子可以在几秒钟甚至更短的时间内天生类似的图像。Ferriera 说,「这太快了,有朝一日可能会在实时实验中完成。」

机械学习展望等离子体行为

等离子体是由大量带电粒子组成的,宏观上呈准中性的电离气体,在长程电磁力作用下显示出怪异的整体振荡的动力学行为。

看似「神秘」的等离子体,实在是宇宙中一种常见的物质,在太阳、恒星、闪电中都存在等离子体,它占了整个宇宙的 99%。太阳就是一个自然的等离子体物理和核聚变实验室。

等离子体是高度非线性和多尺度的,这对明白、建模和控制这些系统提出了严重的挑战。理论、数据驱动和机械学习方式正在彻底改变高维非线性系统的剖析、建模和控制,尤其是在流体力学领域。降阶建模生长迅速,但许多希望尚未被等离子体物理学界接纳。

华盛顿大学研究职员最近的一项研究,详细先容了一种使用机械学习来展望等离子体行为的方式。为了促进可重复的研究,提供了用于该剖析的 Python 代码。该研究为流体力学中普遍的伽辽金文献(Galerkin literature)架起了一座桥梁,并促进了基于投影和数据驱动的等离子体模子的未来原则性生长。

该研究以《用于磁流体动力学的受物理约束的低维模子: 第一性原理和数据驱动的方式》(Physics-constrained, low-dimensional models for magnetohydrodynamics: First-principles and data-driven approaches) 为题,于 7 月 13 日揭晓在《Physical Review E》杂志上。

论文的配互助者 Hansen 说,虽然研究中的模子在实验中运行得不够快,但他以为它最终可以。

项目地址:https://github.com/akaptano/POD-Galerkin_MHD

论文链接:https://journals.aps.org/pre/abstract/10.1103/PhysRevE.104.015206

这项事情行使基于投影和数据驱动的流体建模数十年的希望,为可压缩等离子体开发了降阶建模框架。

首先将非线性磁动流体力学(magnetohydrodynamics MHD)系统的基于投影的简化模子形式化。为了阻止对磁、速率和压力场举行单独的模态剖析,引入了能量内积以将所有场所成为尺寸一致的降阶基础。接下来,通过 Hall-MHD 方程在这些模式上的 Galerkin 投影获得剖析模子。

图示:填充等离子体模子条理结构较低层级方式:(a) 网络数据,(b) 执行基于投影的模子简化, (c) 使用物理约束系统识别发现数据驱动模子。(泉源:论文)

论文一作 Alan A. Kaptanoglu 示意:「我们的模子使用更少的数据、盘算力和时间。将促进基于投影和数据驱动的等离子体模子的生长。」

基于深度学习的 PIC 模拟方式

粒子模拟(Particle-in-Cell,PIC) 方式是用于模拟等离子体的最壮大和最常用的盘算方式之一,可应用于聚变反映堆、激光等离子体装置、加速器、空间物理学和天体物理学。PIC 模拟剖析极大地促进了我们对庞大征象和系统中等离子体动力学的明白。

最近,瑞典斯德哥尔摩 KTH 皇家理工学院盘算机科学副教授 Stefano Markidis 与他的同事 Xavier Aguilar 一起确立了一个深度学习模子,该模子解决了确定信息的盘算麋集型步骤之一:等离子体――盘算其电场。该方式速率更快,在某些情形下,比涉及庞大数学方程的传统方式更准确。

研究解释,将 DL 手艺集成到传统盘算方式中是开发下一代 PIC 算法的可行方式。

该研究于 7 月 5 日以《用于等离子体模拟的基于深度学习的 Particle-in-Cell 方式》(A Deep Learning-Based Particle-in-Cell Method for Plasma Simulations)为题,揭晓在 arXiv 上。

论文链接:https://arxiv.org/abs/2107.02232

该研究有两个目的:第一个目的是设计和开发一种新的 PIC 方式,在 PIC 盘算周期中接纳 DL 手艺。第二个目的是确定基于 DL 的 PIC 方式与传统 PIC 方式相比,在稳固性和准确性方面的优势。

双流不稳固性(two-stream instability)是等离子体物理学中很常见的不稳固因素。该研究设计并开发了一种用于等离子体模拟的新 PIC 方式。训练了一个多层感知器 (Multilayer Perceptron,MLP) 和一个卷积神经网络 (CNN) 来解决双流不稳固测试。

图示:基于 DL 的 PIC 方式。(泉源:论文)

研究职员对照了基于 DL 的 PIC 方式与传统 PIC 方式的精度和性能。研究解释基于 DL 的 PIC 方式在总能量和动量转变可接受的情形下再现了双流不稳固性的准确效果。然而,基于 DL 的 PIC 方式对冷光束不稳固性很稳固。

图示:双流不稳固性的传统和基于 DL 的 PIC 模拟中总能量和动量演化的对照。(泉源:论文)

研究职员示意:「未来的事情将包罗表征基于 DL 的 PIC 盘算性能。我们还设计扩展该方式来研究电磁问题的二维和三维系统。」

人工智能和机械学习在核聚变系统中并非没有瑕玷。机械学习算法,尤其是深度学习模子,是「黑匣子」――并不总是可能知道一个模子是若何获得效果的。然则通过使用这些算法,科学家们可以网络这些模子所见的一些细节,并领会有关等离子体和聚变物理学的更多信息。

「归根结底,解决核聚变问题的将是我们的头脑,」Stefano Markidis 说。「这只是我们使用什么工具的问题,人工智能和机械学习将成为要害工具。」

论文链接:

https://iopscience.iop.org/article/10.1088/1361-6587/ac0a3b

https://journals.aps.org/pre/abstract/10.1103/PhysRevE.104.015206

https://arxiv.org/abs/2107.02232

相关报道:

https://spectrum.ieee.org/can-ai-make-a-better-fusion-reactor

参考内容:https://baike.baidu.com/item/%E6%A0%B8%E8%81%9A%E5%8F%98/426375

人工智能×[ 生物 神经科学 数学 物理 质料 ]

「ScienceAI」关注人工智能与其他前沿手艺及基础科学的交织研究与融合生长

  • USDT官网(www.caibao.it) @回复Ta

    2021-09-30 00:03:57 

    皇冠足球信用平台出租rent.22223388.com)皇冠运营平台(rent.22223388.com)是皇冠(正网)接入菜宝钱包的TRC20-USDT支付系统,为皇冠代理提供专业的网上运营管理系统。系统实现注册、充值、提现、客服等全自动化功能。采用的USDT匿名支付、阅后即焚的IM客服系统,让皇冠代理的运营更轻松更安全。

    快出下一章!!!

  • ug环球会员开户(www.ugbet.us) @回复Ta

    2021-10-18 00:00:21 

    中国能源建设团体南方建设投资有限公司党委书记、董事长胡德明建议,在粤港澳大湾区地铁建设上,要构建多条理、一体化、互联互通的轨道交通系统,让大湾区都会实现一小时通达。(完)
    转载说明:本文转载自USDT生意平台。不看电视了,看你

发布评论