Drori补充道 ， 创建合成数据还允许他们标记每个blob ， 这使得训练过程更加有效 。
利用这些合成数据 ， 他们训练模型在水滴周围画出边界 ， 教他们密切模仿人类科学家会画出什么 。
然后 ， 他们使用实验中的真实视频数据对模型进行了测试 。 首先 ， 他们测量了模型绘制的边界与实际斑点轮廓的匹配程度 。
但他们还想看看模型是否预测了人类会识别的物体 。 他们请三位人类专家精确定位视频帧中的斑点中心 ， 并检查模型是否预测了这些相同位置的斑点 。
这些模型能够绘制出准确的斑点边界 ， 大约80%的时间与被视为地面真实的亮度轮廓重叠 。 他们的评估与人类专家的评估相似 ， 并成功预测了理论定义的斑点状态 ， 这与传统方法的结果一致 。
Han说 ， 既然他们已经证明了使用合成数据和计算机视觉模型来跟踪斑点的成功 ， 研究人员计划将这些技术应用于聚变研究中的其他问题 ， 例如估计等离子体边界处的粒子传输 。
Drori说 ， 他们还公开了数据集和模型 ， 并期待看到其他研究小组如何应用这些工具来研究斑点的动态 。
“在此之前 ， 存在一个进入障碍 ， 即研究这一问题的大多数人都是等离子体物理学家 ， 他们拥有数据集并正在使用他们的方法 。 有一个庞大的机器学习和计算机视觉社区 。 这项工作的一个目标是鼓励更广泛的机器学习社区参与融合研究 ， 以帮助解决cri这一更广泛的目标 。 ”气候变化的实际问题 ， ”他补充道 。
【机器学习正在有力的帮助科学家们实现可控核聚变技术】这项研究部分得到了美国能源部和瑞士国家科学基金会的支持 。
