文章图片
文章图片
文章图片
可控核聚变聚变是一项全球研究工作的核心 ， 该研究可以帮助缓解气候变化 ， 它与太阳相同的核反应过程 ， 如果这项技术能够实现 ， 几乎可以无限的向人类提供无碳能源 。
一个多学科的研究团队现在正从机器学习中带来工具和分析结果来帮助这项工作 。 麻省理工学院和其他地方的科学家已经使用计算机视觉模型来识别和跟踪在促进聚变反应所需条件下出现的湍流结构 。
监测这些被称为细丝或“水滴”的结构的形成和运动对于理解从反应燃料中排出的热量和颗粒流非常重要 ， 这最终决定了反应堆壁满足这些流的工程要求 。 然而 ， 科学家们通常使用平均技术来研究blob ， 这种平均技术利用个体结构的细节来支持总体统计 。 必须通过在视频数据中手动标记单个blob信息来跟踪它们 。
研究人员构建了一个等离子体湍流的合成视频数据集 ， 以使这一过程更加有效和高效 。 他们用它训练了四个计算机视觉模型 ， 每个模型识别并跟踪斑点 。 他们训练模型以与人类相同的方式精确定位斑点 。当研究人员使用真实的视频片段测试训练过的模型时 ， 模型可以高精度地识别斑点 ， 在某些情况下 ， 准确率超过80% 。 这些模型还能够有效地估计水滴的大小和它们移动的速度 。
因为在一次融合实验中就捕获了数百万帧图像 ， 所以使用机器学习模型来跟踪斑点可以为科学家提供更详细的信息 。
西奥多·戈菲诺普洛斯（Theodore Golfinopoulos）表示：“以前 ， 我们可以从宏观上了解这些结构在做什么 。 现在 ， 我们有了显微镜和计算能力 ， 可以一次分析一个事件 。 如果我们后退一步 ， 这揭示了这些机器学习技术的力量 ， 以及利用这些计算资源取得进展的方法 。 ” ， 麻省理工学院等离子体科学与融合中心的研究科学家 ， 也是一篇详细阐述这些方法的论文的合著者 。他的合作伙伴包括主要作者Woonghee“Harry”Han ， 物理学博士候选人；资深作者Iddo Drori ， 计算机科学与人工智能实验室（CSAIL）客座教授 ， 波士顿大学副教授 ， 哥伦比亚大学兼职教授；以及麻省理工学院等离子体科学与聚变中心、麻省理学院土木与环境工程系和瑞士洛桑瑞士联邦理工学院的其他人员 。 这项研究发表在《自然科学报告》上 。
加热东西
70多年来 ， 科学家们一直试图利用受控的热核聚变反应来开发能源 。 为了达到聚变反应所需的条件 ， 燃料必须加热到1亿摄氏度以上的温度 。 （太阳的核心温度约为1500万摄氏度 。 ）容纳这种被称为等离子体的超热燃料的常用方法是使用托卡马克 。 这些装置利用极强的磁场将等离子体保持在适当位置 ， 并控制来自等离子体的废热与反应器壁之间的相互作用 。
然而 ， 在等离子体和反应器壁之间的边缘 ， 水滴看起来像是从等离子体中脱落的细丝 。 这些随机的湍流结构会影响等离子体和反应器之间的能量流动 。
Golfinopoulos补充道：“知道这些斑点在做什么 ， 会极大地限制托卡马克发电厂在边缘所需的工程性能 。 ”研究人员在实验中使用一种独特的成像技术来捕捉等离子体湍流边缘的视频 。 一场实验性运动可能持续数月；典型的一天将产生大约30秒的数据 ， 相当于大约6000万个视频帧 ， 每秒出现数千个斑点 。 这使得无法手动跟踪所有斑点 ， 因此研究人员依赖于平均采样技术 ， 该技术只能提供斑点大小、速度和频率的广泛特征 。
Han说：“另一方面 ， 机器学习通过逐帧逐点跟踪（而不仅仅是平均量）来解决这个问题 。 这让我们对等离子体边界发生的情况有了更多的了解 。 ” 。
他和他的合著者采用了四种公认的计算机视觉模型 ， 这些模型通常用于自动驾驶等应用 ， 并训练他们解决这个问题 。
模拟Blob
为了训练这些模型 ， 他们创建了一个庞大的合成视频片段数据集 ， 捕捉了斑点的随机性和不可预测性 。
“有时它们改变方向或速度 ， 有时多个斑点合并 ， 或分裂 。 这些事件以前没有用传统方法考虑过 ， 但我们可以在合成数据中自由模拟这些行为 ， ”Han说 。
