普林斯頓大學的研究團隊利用深度學習提高預測準確度，該預測有望助力阻止等離子體聚變反應的中斷。

普林斯頓大學的研究人員利用AI技術，幫助證實了在可預見的未來，核聚變能量供應的可行性。

自從20世紀50年代以來，科學家就已開始試圖從氘和氚（氫的豐富同位素）的聚變反應（類似太陽的熱核聚變）中獲取清潔能源。這種無碳能源可在3.6億華氏度下獲取，為電力的產生提供了絕佳途徑。一般電力產生的過程為：通過將水加熱生成蒸汽，蒸汽推動渦輪機運轉，進而產生無數千瓦的電力。

為了成功獲取這種能源，首先要做的就是精確預測磁約束熱核聚變等離子體（也稱為托卡馬克裝置）中的危險中斷事件的發生時間。由于時間有限，要在中斷發生之前的30毫秒之內進行干預，以通過等離子體控制預留緩沖時間。

普林斯頓大學天體物理學系等離子體物理研究生項目的研究教授William Tang及其研究團隊已利用深度學習和神經網絡，接收大型信號數據庫中的相關中斷信號，這些信號均由領先的核聚變實驗設施發出。他們已通過GPU加速計算證明，大幅提高中斷預測的準確度和速度是有可能實現的。

高速預測

基于歐洲聯合環狀反應爐(JET，全球領先的托卡馬克裝置)中的實驗數值，普林斯頓大學的研究團隊已改進了其預測技術。EUROfusion JET已經授權普林斯頓大學將其數據庫中超過0.5 pb的數據，輸入至核聚變循環神經網絡(FRNN)深度學習軟件。

之前應用CPU的中斷預測準確度有所提高，但預測出的典型問題通常需要一天時間來計算。Tang的研究團隊僅在20個NVIDIA Tesla K20 GPU上部署其FRNN軟件，就可以大幅提升預測準確度，并將執行時間縮短至一小時以內。他們已進一步證實，可以擴展至數千個更高級的GPU進行軟件部署。Tang稱之為一項“令人驚嘆的”發現，因為將深度學習應用于核聚變研究可以加速科學發現，從而在全球范圍內及更廣泛的應用產生潛在的巨大影響。

普林斯頓大學早期建成的托卡馬克核聚變實驗反應堆

憑借這一研究成果，Tang及其所在的普林斯頓大學研究團隊入圍NVIDIA 2018年度全球影響力大獎(Global Impact Award)決賽的前四名。該獎項每年都會頒發20萬美元，以獎勵利用NVIDIA技術在解決社會、人道主義與環境問題上取得突破性進展的研究人員。

功能擴展

普林斯頓大學的研究團隊已使用數千個GPU擴展其FRNN軟件的功能，以此訓練深度神經網絡。近日，繼FRNN在美國橡樹嶺國家實驗室(Oak Ridge National Laboratory)泰坦超級計算機的6000個Tesla K20 GPU上成功運行后，FRNN已證明了東京工業大學(Tokyo Institute of Technology)的日本新型TSUBAME-3超級計算機上的NVIDIA Tesla P100 GPU數量能夠擴展至3000個。

為進一步推進核聚變研究，中斷預測和控制至關重要：研究目標是在法國在建的國際托卡馬克裝置（造價250億美元）上進行測試。他們的研究課題是生產一種可持續燃燒等離子體，這種等離子體比JET提供的成功度量平衡等離子體（即能量輸出等于能量輸入）大一個數量級。

Tang表示，這可以與懷特兄弟在基蒂霍克(Kitty Hawk)試飛飛機相提并論。“航空業對交通運輸業的后續影響是不可估量的，但清潔的聚變能源很有可能帶來更大的影響。”