机器学习为未来核聚变发电厂寻找合适的氢同位素组合

编辑 | 白菜叶

恒星的动力来源——核聚变——被提议作为人类未来的能源，并且可以提供清洁和可再生的能源，而无需与当前核裂变工厂相关的放射性废物。

就像从太阳溢出能量的聚变过程一样，未来的核聚变设施将把宇宙最轻的元素氢的同位素猛烈地撞击在一起，在强大磁场所包含的超热气体或「等离子体」中，产生氦气，并以质量差形式收集能量。

在地球上真正出现可控核聚变之前，科学家们必须知道的一件事是使用什么氢同位素混合物——主要是「标准」氢，其原子核中有一个质子，氘的原子核中有一个质子和一个中子，氚的原子核中有一个质子和两个中子。目前，这是通过托卡马克原型聚变装置的光谱来完成的，但这种分析可能非常耗时。

在最近的研究中，法国艾克斯-马赛大学（Aix-Marseille Université）副教授 Mohammed Koubiti 评估了机器学习与等离子体光谱学的结合，从而确定核聚变等离子体性能的氢同位素比率 。

该研究以「Application of machine learning to spectroscopic line emission by hydrogen isotopes in fusion devices for isotopic ratio determination and prediction」为题，于 2023 年 7 月 14 日发布在《The European Physical Journal D》。

未来基于磁聚变反应的发电厂肯定会使用氘-氚（DT）混合物来运行。然而，由于氚的放射性，出于明显的安全原因，氚在此类混合物中的比例必须保持在监管机构规定的阈值以下。

如今，托卡马克和其他致力于磁聚变研究的装置通常使用纯氢 (H)、氘 (D) 或 HD 气体混合物运行，尽管欧洲联合托卡马克 JET 在极少数情况下使用 DT 混合物运行。显然，为了避免超出氚含量的规定限值，必须了解密封容器内氚的数量。

「就性能而言，聚变发电厂将使用氘和氚的混合物运行，因为它们的核聚变效果最佳，但氚的含量必须受到控制和严格管理，以遵守监管机构施加的限制。」Koubiti 说，「此外，可能有必要实时了解氚的含量，从而优化核电站的性能。」

评估这一点的一种方法是确定同位素比 T/D+T，它代表氚密度相对于氘-氚等离子体中总等离子体密度的百分比。此外，出于安全或优化目的，DT 运行的聚变反应堆可能有必要实时控制氚含量。在这种情况下，需要实时了解 T/D+T 同位素比率。用于确定同位素比率的标准方法不允许实时应用，而人工智能可以提供帮助。

「最终目标是避免使用光谱学，因为光谱学的分析非常耗时，并用深度学习来取代它，或者至少将其与深度学习结合起来，以预测聚变等离子体中的氚含量。」Koubiti 解释道，「这项研究只是朝着这个目标迈出的一步。我仍在使用光谱学作为一种手段，让我能够找到其他特征，深度学习算法可以使用这些特征来预测聚变等离子体中氚含量随时间的变化。」

Mohammed Koubiti 副教授讨论了机器学习技术（例如深度学习）与当前测量相结合以用于预测未来聚变等离子体设备的可能性的一些想法。他的论文重点介绍了聚变等离子体物理学中的机器学习，以便在 ITER 等正在建设的设备中进行未来实验之前进行预测。

更准确地说，简要介绍了一种基于使用 Hα/Dα 线的简单光谱特征作为深度学习算法的输入特征的方法。其目的是根据上述输入特征预测氢-氘混合物（HD 等离子体）的同位素比率。该方法的验证之前是通过使用针对托卡马克偏滤器典型条件生成的一组 200 000 个线谱来完成的。

Koubiti 讨论了从生成光谱到观测光谱的转变，以及从 HD 等离子体放电到 DT 等离子体放电可能进行的外推。指出了仍然需要解决的许多问题，以实现基于深度学习的稳健技术，能够最准确地预测物理量，例如，未来基于磁聚变的发电厂中使用 DT 混合物运行的聚变等离子体中的氢同位素比率。

Koubiti 补充道，下一步是通过识别必须提供给任何深度学习算法的非光谱特征来结束该项目。然后，他打算在几种磁聚变装置、JET、ASDEX-Upgrade 或 WEST、DIII-D 等托卡马克装置以及依靠外部磁铁限制等离子体的仿星器 等离子体装置上测试这些发现。

「我还计划将深度学习技术的使用扩展到等离子体光谱之外。」Koubiti 总结道。

论文链接：https://link.springer.com/article/10.1140/epjd/s10053-023-00719-0

相关报道：https://phys.org/news/2023-09-machine-hydrogen-isotopes-future-nuclear.html