自20世纪40年代以来，物理学家一直在努力，但至今尚未实现高效的核聚变反应。与此同时，人工智能和机器学习（ML）在许多行业和应用中都证明了它们在识别人类无法识别的细微数据模式方面的强大能力。那么，神经网络和为其提供动力的GPU能否帮助实现核聚变呢？挑战在于，如何加速全球范围内对控制高温等离子体不稳定性的探索，最终实现可持续、无碳能源的供应。
“物理学家们，他们建立理论模型，编写方程式，进行数学运算，”葡萄牙里斯本大学技术高等学院信息系统教授迪奥戈·费雷拉说，“但这些方法存在局限性。”他认为，人工智能可以提供帮助。
费雷拉最近与英国联合欧洲环形装置（JET）的同事合作进行了一项研究，详细介绍了人工智能、机器学习和深度学习模型在聚变研究中的三种不同应用。费雷拉使用连接到JET反应堆的48个传感器（称为辐射热计）收集的诊断数据训练了他的模型，这些传感器收集功率和辐射数据。
费雷拉的模型之一可以预测超高温等离子体的扰动。在研究中，他解释说，根据模型的训练方式，它可以预测扰动的可能性——扰动会导致等离子体逃逸约束，冲击设备，大幅降低等离子体温度，并终止反应——或者估计扰动发生的时刻。
第二个模型可以检测等离子体中的异常。该模型仅使用没有发生扰动的反应进行训练，可以再现这些“良好”的实验。如果数据来自以扰动结束的实验，该模型可以识别数据何时以及如何偏离成功反应的数据。科学家可以利用这一过程更好地理解导致扰动的根本原因，并最终进行扰动可能性更低的反应。
另一个应用涉及等离子体辐射模式的视觉表示。费雷拉说，进行暴力直接计算，每个反应需要20分钟。相比之下，费雷拉研究小组的另一个模型可以在几秒甚至更短的时间内生成类似的图像。费雷拉说，它的速度如此之快，将来有一天可以在实验过程中实时完成。
华盛顿大学的研究人员，包括凯尔·摩根和克里斯·汉森，最近发表了一项研究，详细介绍了一种使用机器学习预测等离子体行为的方法。他们的模型使用一种称为回归的统计技术，基本上剔除了导致无意义结果的场景，使其能够使用更少的数据、更少的计算能力和更少的时间。汉森说，虽然研究中的模型运行速度还不够快，无法在实验过程中使用，但他认为最终可以实现。研究人员最近发表了另一项研究，使用单个GPU控制一个以前需要多台计算机才能控制的聚变实验。汉森说，这种强大的系统最终可以用来运行模型，使其速度足够快，在实验过程中发挥作用。
其他方法可以在实验之前或之后使用。在最近的一项研究中，瑞典皇家理工学院计算机科学副教授斯特凡诺·马基迪斯与他的同事泽维尔·阿吉拉尔共同创建了一个深度学习模型，该模型解决了确定等离子体信息（计算其电场）中最耗费计算量的步骤之一。该方法比涉及复杂数学方程的传统方法更快，在某些情况下也更准确。
人工智能和机器学习在核聚变系统中并非没有缺点。机器学习算法，尤其是深度学习模型，是“黑盒子”——我们并不总是能够知道模型是如何得出结果的。但通过与这些算法合作，科学家可以了解这些模型所看到的内容，并更多地了解等离子体和聚变的物理学。
“最终，解决聚变问题的将是我们的思想，”他说。“这只是我们使用什么工具的问题，人工智能和机器学习将成为关键工具。”
