隨著機器學習的發展，越來越多的領域都從中獲取到了發展的巨大力量。除了自動駕駛、人臉識別、理解語言外，機器學習還將幫助人類創造更加清潔的能源未來。

來自普林斯頓等離子物理實驗室的研究人員們將機器學習應用到等離子體的建模和預測中，使得快速調控產生熱核聚變的等離子體成為可能。

熾熱的等離子體

太陽和絕大多數恒星上都由等離子體進行著不斷的聚變，照亮了白天閃耀著黑夜。等離子體是一種由自由電子和原子核/離子組成的物質狀態是驅動聚變的基礎。

在地球上，人們使用托卡馬克等磁約束設備將超高溫的等離子體約束起來，模擬太陽的聚變反應，期待實現能產生幾乎無限能源的可控核聚變。

科學家必須加熱并控制等離子體的狀態才能穩定有效地控制設備輸出能量。普林斯頓的研究人員利用機器學***提升了對于等離子體的控制效果。

神經網絡

研究人員利用機器學習中的代表性方法——神經網絡構建了模型，并在先進聚變設備NSTX-U產生的數據上進行了訓練。

訓練后的模型可以精確的預測中子束射流產生高能粒子的動力學行為，而這些高能粒子真實用于生成和加熱聚變反應的原料，它們將會把等離子體加熱到上百萬度以便開始熱核反應。

在此之前研究人員通常使用復雜的程序來對粒子行為進行預測，這種稱為NUBEAM的程序需要節約和中子束與等離子體的碰撞信息才能計算。理想情況下，如果要分析實驗中等離子體的行為，這種復雜的計算需要事先每秒上百次的分析。

然而現實情況卻是每次這樣的復雜計算在現有技術水平下需要耗時幾分鐘，研究人員只能在每次只持續幾秒的實驗結束后慢慢進行數據分析。

最新的機器學習模型則將這一預測時間減小到了150ms內，使得分析計算得以在每次實驗過程中進行。

這一模型最初的應用在于估計等離子體行為中不易直接測量的特點。這一技術與機器學習技術結合后，就可以根據有限的測量進行實時預測，能夠幫助系統更好的控制等離子體系統，并調整粒子注入方式以優化和維持等離子體的穩定性，這對于核聚變反應至關重要。

快速評測

除了在實驗過程中的實時分析，兩次實驗之間的快速測評將幫助操作員更好的理解系統的狀態并調整下次實驗。在15-20分鐘的實驗間隔中，加速模型將給操作員提供豐富的信息來調整中子射流，以便改進下一次實驗的表現。

研究人員同時還構建了包含各種狀況等離子體的NUBEAM計算數據集，可以利用它們訓練網絡預測中子束與等離子體作用的效果，包括加熱過程和電流包絡等。在與軟件工程師的合作下，他們還開發出了評測軟件來在計算機上測試模型對于聚變反應主動控制的效果。

研究人員們在不斷開發新的機型，為了盡量避免等離子的意外瓦解，減少對實驗設備造成的巨大損害。他們還充分利用了機器學習來預測等離子體瓦解的過程。

研究人員通過RNN來處理傳感器傳來的數據，并在每ms更新系統的瓦解率，在達到報警閾值是發出信號來控制氣體注入減小等離子體瓦解產生的副作用。

研究人員表示未來將把神經網絡與未來的NSTX-U裝置結合起來，并應用于其他的聚變裝置，并且將會把這種方法拓展到聚變中多種等離子體行為的研究中，加速核聚變技術的研究。