可控核聚变，也就是通常我们说的“人造太阳”，是一种新型的核能技术。它通过精细控制核反应过程，可以产生大量的热能和电能。核聚变的技术原理是将轻元素结合成重元素，并释放出大量的能量。这项技术是模仿太阳和其他恒星产生能量的方式。

在可控核聚变过程中，处于高温高压环境下的轻元素，如氢和氚，被强烈地吸引并融合在一起，形成一个更重的元素——氦，同时释放出大量的能量。这种能量可以通过一定的转换技术转化为电能，并且不会产生有害的放射性废物。

与当前的核能技术相比，可控核聚变具有明显的优势。首先，可控核聚变使用的燃料是氢及其同位素氘或者氚，这些资源在地球上非常丰富，可以持续地供给数百万年。其次，核聚变反应过程中不会产生长期的放射性废物，因此对环境和人类健康的影响更小。最后，可控核聚变能够提供大量的能量，这为解决全球能源需求提供了巨大的潜力。

尽管可控核聚变技术具有许多优点，但这项技术目前仍未完全实现商业化。它仍处于研究和开发阶段，需要解决许多技术难题，如怎样维持高温高压环境以及如何有效地捕获和利用产生的能量。

而我国在这方面已有重大突破。例如在 8 月份，中核集团成功实现了新一代人造太阳“中国环流三号”的重大科研进展。在首次实现了 100 万安培等离子体电流下的高约束模式运行，这再次刷新了我国磁约束聚变装置的运行记录。这次成功突破了等离子体大电流高约束模式运行控制、高功率加热系统注入耦合、先进偏滤器位形控制等关键技术的难题，是我国核聚变能开发进程中一个重要的里程碑。这次成功标志着我国磁约束核聚变研究向高性能聚变等离子体运行迈出了重要的一步。

不过可控核聚变要真正走入实际应用，还有一些问题尚待解决。比如要事先决定使用什么配比的氢（H）、氘（D）、氚（T）混合物。因为氚是放射性物质，所以出于安全考虑，它的含量不能超过一定的范围。这就需要提前测定氚的含量。目前，这是通过托卡马克原型聚变装置的光谱来完成的，但这种分析过程非常耗时。

为了解决这个问题，法国艾克斯-马赛大学的 Mohammed Koubiti 最近尝试借助人工智能——机器学习来辅助分析等离子体光谱，从而确定各种氢同位素比率。该研究日前以“Application of machine learning to spectroscopic line emission by hydrogen isotopes in fusion devices for isotopic ratio determination and prediction”为题发表在《欧洲物理学期刊 D》上。

传统方法

为了避免氚的含量在反应堆中超标，一种方法是确定同位素比率 T/D+T，即氚的密度在氘氚等离子体混合物密度中的百分比。目前通用的技术是基于分析 Balmer-α 线的可见发射光谱，即针对 HD 等离子体的 Hα/Dα 线。更准确地说，通过拟合沿不同视线测量的 Hα/Dα 线的光谱，可以确定沿每条视线的 D/H+D 同位素比，从而绘制出 HD 等离子体中氘含量的分布图。这个方法在测量和分析各种氢同位素的配比时要耗费很长时间，DT 等离子体的实验数据也难以获取，而且相对于 Hα/Dα 线光谱，Dα/Tα 线光谱更复杂。这是因为 Tα 线中心距离 Dα 线仅有 0.6 Å，而 Hα 线中心与 Dα 线中心的距离约为 1. 75 Å。

此外为了安全起见，在核聚变时需要实时控制氘氚聚变反应堆中氚的含量。这就需要实时了解 T/D+T 同位素比率。上述通用的方法无法满足实时的需求，而机器学习的方法却可以。

借助机器学习

因为同位素比例是一个数字，所以在各种机器学习算法中，作者选择了与回归相关的算法。此前作者曾使用 TensorFlow 中的一种深度学习神经网络算法，提供了六个输入特征作为深度学习算法的输入节点，其中三个是从合成的 Hα/Dα 线光谱中提取的光谱特征。在同位素比值在 1-25 % 范围内变化的典型条件下，作者计算了一系列 Hα/Dα 线光谱。其他三个输入特征是磁场 B 的强度以及每个氢同位素的冷和热中性粒子群的温度 Tc 和 Tw。在这个深度学习算法中，他使用了六个隐藏层，每个隐藏层有数百个节点。这里用到了这些函数：RELU 作为激活函数，ADAM 作为优化器，均方误差（MSE）作为损失函数，并分别使用了大约 200, 000 和 20, 000 个数据点来训练和测试深度学习算法。对于训练集和测试集，深度学习算法预测的同位素比率与实际值非常吻合，估计散射的平均误差小于 8 %，中位误差小于 3 %。

从假设到实际应用

在作者所采用的深度学习算法中，用于回归的输入特征数为 6，其中三个是从计算得到的光谱中提取的光谱特征。使用这三个特征是因为已知它们可用于生成 Hα/Dα 线的 200000 个合成塞曼多普勒轮廓的数据集。然而，对于实验光谱，在将其用作深度学习算法的输入特征之前，需要确定 Tc 和 Tw 温度的值。更准确地说，它们的确定是通过 Hα/Dα 线光谱的拟合来实现的，而磁场的强度可以通过求解时分解 sigma 组件来更容易地确定。在实际情况下，为了实时控制等离子体，这些中性温度不能用作输入特征。因此不能直接使用刚才所说的方法，而应将其作为一种基于深度学习的方法，以首先在 HD 等离子体中确定氢同位素比率。这种方法必须能够在足够短的时间内提供同位素比率的预测，以实现实时反馈和控制。实现这种技术需要通过几个步骤。第一步，是为深度学习技术选择一些输入特征。有些功能被提出来，但并非所有的功能都是合适的，正如之前讨论的那样。因此，必须首先确定可以从测量结果中快速提取到的特征。作者首先关注可以从 Hα/Dα 线光谱中轻易提取的输入特征，因为后者与目前通用的方法一致，而且这还可以用来验证所提出的深度学习方法。

而即便使用预定参数计算的 Hα/Dα 线型，也需要注意通过扩展温度值来覆盖这些参数的所有可能性。一旦第一步正确验证，就可以进入第二步，即考虑 DT 等离子体的 Dα/Tα 线谱。为了克服数据库在 Dα/Tα 方面的缺陷——没有包含足够数量的光谱，可以使用已知参数来生成理论 Dα/Tα 线轮廓，这些参数涵盖了 DT 等离子体放电中遇到的典型条件，因此可以作为一种独立的诊断方法。然后可以使用仅有的 DT 实验数据来加强对深度学习算法的验证。最终步骤是避免使用从观测到的发射光谱中提取的输入特征，而是使用更容易获得的等离子体参数，例如压力、电流。

人工智能算法的优点在于可以发现特征与同位素比例之间的潜在相关性。除了将氢同位素发射的 Balmer α 线的简单光谱特征与深度学习算法相结合用于预测同位素比例之外，在氢等离子体放电中观察到的大量实验光谱数据是否可以用机器学习来分析，并且直接用于对 DT 等离子体放电的预测？这个问题是未来的研究方向。接下来，作者打算在几种磁聚变装置、JET、ASDEX-Upgrade 或 WEST、DIII-D 等托卡马克装置上测试这个方法。

声明：本文仅供科研分享，助力科学传播，不做盈利使用，如有侵权，请联系后台删除。