编辑/绿萝
近日，MIT 的研究科学家 Pablo Rodriguez-Fernandez 和 Nathan Howard，以及通用原子公司（General Atomics）的 Jeff Candy，刚刚完成了聚变科学中要求最高的计算之一——通过等离子体湍流的第一性原理模拟，来预测磁约束等离子体的温度和密度分布。
即使是最先进的超级计算机也无法用蛮力解决这个问题。相反，研究人员使用为机器学习开发的优化方法，来显著减少所需的 CPU 时间，同时保持解决方案的准确性。
该研究工作以「Nonlinear gyrokinetic predictions of SPARC burning plasma profiles enabled by surrogate modeling」为题，发表在《Nuclear Fusion》杂志上。
聚变能
核聚变通过为太阳和恒星提供动力的相同物理过程，提供了无限、无碳的能源。它需要将燃料加热到 1 亿度以上，远高于电子从原子中剥离的温度，从而产生一种称为等离子体的物质。在地球上，研究人员使用强磁场将热等离子体与普通物质隔离开来。磁场越强，提供的绝缘质量就越好。
Rodriguez-Fernandez 和 Howard 专注于预测 SPARC 托卡马克设备的预期性能，这是一个紧凑的高磁场聚变实验，目前由 MIT 衍生公司 Commonwealth Fusion Systems (CFS) 和 MIT 等离子体科学与聚变中心的研究人员建造中。虽然需要大量的计算时间，超过 800 万个 CPU 小时。
聚变能的计算挑战
湍流是受限等离子体中热量损失的主要机制，是科学面临的重大挑战之一，也是经典物理学中存在的最大问题。控制聚变等离子体的方程是众所周知的，但在感兴趣的区域中解析解是不可能的，在这些区域中非线性很重要，并且解包含大量的空间和时间尺度。科学家们求助于通过计算机上的数值模拟来求解方程。过去 50 年来，聚变研究人员一直是计算物理学的先驱，这绝非偶然。
研究人员面临的一个基本问题是，在只考虑磁场形态和外部输入功率的情况下，可靠地预测等离子体的温度和密度。在 SPARC 等限制设备中，来自聚变过程的外部功率和热量输入通过等离子体中的湍流损失。湍流本身是由等离子体核心的极高温度和等离子体边缘相对较低的温度（仅几百万度）之间的差异驱动的。因此，预测自热聚变等离子体的性能需要计算聚变功率输入与湍流损失之间的功率平衡。
这些计算通常首先假设特定位置的等离子体温度和密度分布，然后计算湍流在本地传输的热量。然而，有用的预测需要对整个等离子体的分布进行自洽计算，其中包括热输入和湍流损失。直接解决这个问题超出了任何现有计算机的能力。
因此，研究人员开发了一种方法，可以通过一系列要求很高但易于处理的本地计算将配置文件拼接在一起。这种方法是可行的，但由于热量和粒子通量取决于多个参数，因此计算收敛速度可能非常慢。
然而，机器学习领域出现的技术非常适合优化这样的计算。从一组计算密集型局部计算开始，使用全物理、第一性原理 CGYRO 代码（由 Jeff Candy 领导的通用原子公司团队提供），Rodriguez-Fernandez 和 Howard 拟合了一个替代数学模型，该模型用于探索和优化参数空间内搜索。将优化的结果与每个最佳点的精确计算进行比较，并将系统迭代到所需的精度水平。研究人员估计，该技术将 CGYRO 代码的运行次数减少了四倍。
新方法增加了对预测的信心
这项工作是迄今为止对聚变等离子体核心进行的最高保真度计算。它改进并确认了使用要求不高的模型所做的预测。
荷兰埃因霍温理工大学 Jonathan Citrin 教授评论说：「这项工作大大提高了我们更常规地执行超高保真托卡马克情景预测的能力。该算法可以帮助提供机器设计或场景优化的最终验证测试，以更快、更简化的建模方式进行，大大提高我们对结果的信心。」
除了增加对 SPARC 实验的融合性能的信心外，该技术还提供了检查和校准简化物理模型的路线图，这些模型只需要一小部分计算能力。此类模型与湍流模拟产生的结果进行交叉检查，将在每次 SPARC 放电之前提供可靠的预测，帮助指导实验活动并改进设备的科学开发。它还可以用来调整和改进即使是简单的数据驱动模型，这些模型运行速度非常快，允许研究人员筛选巨大的参数范围，以缩小可能的实验或未来可能的机器。
