新的等离子体加热人工智能(AI)模型可以比以前认为的做得更多，不仅在保持精度的同时将预测速度提高1000万倍，而且在原始数值代码失败的情况下也能正确预测等离子体加热。这些模型将于10月11日在亚特兰大举行的第66届美国物理学会等离子体物理分会年会上公布。
美国能源部普林斯顿等离子体物理实验室(PPPL)副研究物理学家Álvaro Sánchez-Villar表示:“凭借我们的智能，我们可以训练人工智能，使其超越现有数值模型的限制。”Sánchez-Villar是《核聚变》杂志上关于这项工作的一篇新文章的主要作者。这是一个横跨五个研究机构的项目的一部分。
这些模型使用机器学习(一种人工智能)，试图预测在聚变实验中应用离子回旋加速器频率范围(ICRF)加热时等离子体中电子和离子的行为方式。这些模型是根据计算机代码生成的数据进行训练的。虽然大部分数据与过去的结果一致，但在一些极端情况下，数据与他们的预期不符。
Sánchez-Villar说:“我们观察到一种参数化的状态，在这种状态下，加热剖面在相当任意的位置具有不稳定的峰值。”“没有任何物理上的解释可以解释这些刺痛。”
Sánchez Villar从训练集中识别并删除了有问题的数据，即所谓的异常值，以训练他们的人工智能，因为场景是非物理的。Sánchez Villar说:“我们通过消除训练数据集中的峰值来偏见我们的模型，我们仍然能够预测物理现象。”
“可以观察到，代码正确地消除了尖峰，但预计高亮区域的温度会更高。然而，没有什么能保证这些预测是真实的。”
然后，团队又更进一步。经过几个月的研究，起因——数值模型的一个限制——被Sánchez Villar发现并解决了，然后他对最初显示随机峰值的异常情况运行了修正版本的代码。
他不仅发现解决方案在所有有问题的情况下都没有峰值，而且令他惊讶的是，这些解决方案几乎与几个月前预测的一个机器学习模型中的解决方案相同，甚至在关键的异常情况下也是如此。
“这意味着，实际上，我们的代理实现相当于修复原始代码，只是基于对数据的仔细管理，”Sánchez-Villar说。“就像每一项技术一样，通过智能使用，人工智能不仅可以帮助我们更快、更好地解决问题，还可以克服人类自身的局限性。”
正如预期的那样，该模型还提高了ICRF加热的计算时间。这些时间从大约60秒下降到2微秒，在不显著影响准确性的情况下实现更快的模拟。这一改进将帮助科学家和工程师探索使核聚变成为实用能源的最佳途径。
本文来自作者[admin]投稿，不代表gllhb号立场，如若转载，请注明出处：https://m.gllhb.cn/wiki/202506-389.html
评论列表（4条）
我是gllhb号的签约作者“admin”！
希望本篇文章《新型等离子体加热AI模型对核聚变研究计算机代码进行了关键优化》能对你有所帮助！
本站[gllhb号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：...