中国科学院核聚变最新进展，AI 加速等离子体参数预测
中国科学院核聚变最新进展，AI 加速等离子体参数预测
等离子体离子温度和旋转速度是评估聚变实验的重要参数之一，对等离子体稳定性和约束性能有重要影响。如何实现等离子体离子温度和旋转速度的快速精确测量，一直是聚变装置稳定高参数运行所面临的关键技术问题之一。
近日，中国科学院合肥物质科学研究院的研究团队在等离子体关键参数诊断研究方面取得新进展。该研究基于先进实验超导托卡马克（EAST）装置上的 X 射线晶体谱仪（XCS）获得等离子体光谱数据，并利用人工神经网络模型实现了等离子体旋转速度和离子温度剖面的快速预测。
相关研究结果以《Prediction of plasma rotation velocity and ion temperature profiles in EAST Tokamak using artificial neural network models》为题，发表在《Nuclear Fusion》杂志上。
快速准确地获取等离子体的关键参数（如电子密度、电子温度和离子温度）对于提高托卡马克放电性能至关重要。因此，科学家做出了很多努力来改进当前托卡马克的硬件性能和数据分析技术。然而，仍然存在一些挑战。
人工神经网络（ANN）可以直接快速处理离散光谱数据，实现实时计算并提供快速、准确的结果，而无需传统的曲线拟合。ANN 已被用于解决不同磁约束聚变装置中的各种实时问题，比如，EAST 上的中断预测。
在此，研究人员重点关注 ANN 在 EAST 上的 X 射线晶体光谱仪 (XCS)数据分析中的应用，旨在快速推断离子温度和旋转速度分布。研究团队创建了两种类型的模型：深度神经网络(DNN) 和卷积神经网络(CNN)，用于实时计算弦积分离子温度。通过部分的交叉验证方法，证明了模型的预测结果与目标值之间的强相关性。
图示：神经网络预测离子温度数据与传统算法结果对比。（来源：论文）
神经网络预测预测离子温度的时间轨迹如下图所示，结果不仅与传统的非线性拟合方法一致，而且与 DNN 结果一致。结论是，DNN 的预测可以作为提高 CNN 在实际应用中的准确性的基准。此外，很明显，在放电上升和下降过程中，误差更大。这可能归因于原始信号中较弱的光子计数，这也是传统方法难以解决的挑战。
为了量化计算效率的提高，对非线性拟合方法（1.126 s）、DNN 模型（0.044 s）和 CNN 模型（0.031 s）进行了每个分布的平均计算时间的比较分析。
图示：传统算法计算离子温度剖面与神经网络计算耗时对比。（来源：论文）
结果表明，计算时间缩短至几十毫秒，比传统的数值非线性拟合算法快 10 倍以上。值得注意的是，CNN 的时间稍长，这是由于预测不确定性所需的额外计算。这一结果强调了神经网络取代传统方法的潜力，在保持可接受的精度标准的同时，加速线积分离子温度和旋转速度分布的计算。
此外，模型还具备对输入数据范围和误差的自动识别能力，为提升诊断系统的智能化水平奠定了基础。最后，CNN 还被用于预测弦积分旋转速度剖面和局域的离子温度剖面，验证了该模型的稳健性。需要指出的是，此模型算法不局限于特定的诊断系统和物理模型，可以较为快捷地移植并应用于多种诊断系统的数据分析过程。
研究团队表示，这项研究提高了预测聚变装置中离子温度和旋转速度分布的准确性和速度，同时为更广泛的聚变应用提供了适应性强的自动化解决方案。