机器学习促进了聚变反应堆的湍流跟踪

聚变有望利用为太阳提供动力的相同过程提供几乎无限的、无碳的能源，它是全世界研究工作的核心，可以帮助减轻气候变化的影响。

一个多学科的研究小组现在正将机器学习的工具和见解用于帮助这一努力。来自麻省理工学院和其他地方的科学家们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 "丝 "或 "斑块 "的结构的形成和运动，对于了解从反应燃料中流出的热量和粒子流非常重要，这最终决定了反应堆壁的工程要求，以满足这些流动。然而，科学家们通常使用平均技术来研究Blobs，这种技术以单个结构的细节为代价来换取总的统计数据。必须通过在视频数据中手动标记来跟踪单个blob信息。

研究人员建立了一个等离子体湍流的合成视频数据集，以使这个过程更加有效和高效。他们用它来训练四个计算机视觉模型，每个模型都能识别和跟踪斑点。他们训练这些模型以与人类相同的方式精确地确定斑点。

当研究人员使用真实的视频片段对训练好的模型进行测试时，这些模型能够以很高的准确率识别水泡，在某些情况下超过80%。这些模型还能够有效地估计水泡的大小和它们移动的速度。

由于在一次融合实验中捕获了数百万个视频帧，因此使用机器学习模型来追踪斑点可以为科学家提供更详细的信息。

"以前，我们可以从宏观上了解这些结构平均在做什么。现在，我们有一台显微镜和计算能力，可以一次分析一个事件。麻省理工学院等离子体科学和融合中心的研究科学家、一篇详细介绍这些方法的论文的作者之一Theodore Golfinopoulos说："如果我们退后一步，这揭示了这些机器学习技术的可用能力，以及利用这些计算资源取得进展的方法。

他的其他合著者包括第一作者Woonghee "Harry" Han(物理学博士生);高级作者Iddo Drori(计算机科学与人工智能实验室(CSAIL)的客座教授，波士顿大学的副教授，哥伦比亚大学的兼职教授);以及来自麻省理工学院等离子体科学与聚变中心、麻省理工学院土木与环境工程系和瑞士洛桑联邦理工学院的其他人。该研究今天发表在《自然科学报告》上。

加热的东西

70多年来，科学家们一直试图利用受控热核聚变反应来开发一种能源。为了达到聚变反应的必要条件，燃料必须被加热到1亿摄氏度以上的温度。(太阳的核心约为1500万摄氏度)。

包含这种被称为等离子体的超热燃料的一个常见方法是使用托卡马克。这些设备利用极其强大的磁场来固定等离子体，并控制等离子体的废热与反应堆壁之间的相互作用。

然而，在等离子体和反应堆壁之间的最边缘处，Blobs就像从等离子体中掉出来的丝状物一样出现。这些随机的、湍流的结构影响了能量在等离子体和反应堆之间的流动。

"Golfinopoulos补充说："知道这些斑块在做什么，会强烈制约你的托卡马克发电厂在边缘所需要的工程性能。

研究人员在实验过程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。一个实验活动可能持续数月;典型的一天将产生大约30秒的数据，对应于大约6000万个视频帧，每秒钟有成千上万的小球出现。这使得我们不可能手动跟踪所有的斑点，所以研究人员依靠平均采样技术，只提供斑点大小、速度和频率的广泛特征。

"另一方面，机器学习提供了一个解决方案，通过对每一帧的逐个圆球追踪，而不仅仅是平均数量。这给了我们更多关于在等离子体边界发生了什么的知识，"韩说。

他和他的合著者采用了四种成熟的计算机视觉模型，这些模型通常用于自动驾驶等应用，并训练它们来解决这个问题。

模仿布卢姆

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，这些视频片段捕捉到了Blobs的随机和不可预测的性质。

"有时它们会改变方向或速度，有时会有多个斑点合并，或者它们分裂开来。这些类型的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地模拟这些行为，"Han说。

德罗里补充说，创建合成数据也使他们能够给每个圆球贴上标签，这使训练过程更加有效。

利用这些合成数据，他们训练这些模型，使其能够在布卢姆周围画出边界，教它们密切模仿人类科学家的画法。

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的圆球轮廓的吻合程度。

但他们也想看看这些模型是否预测了人类会识别的物体。他们请三位人类专家在视频帧中准确地指出斑点的中心，并检查模型是否预测了这些相同位置的斑点。

这些模型能够画出准确的圆球边界，与被认为是地面真相的亮度轮廓线重叠，大约有80%的时间。他们的评价与人类专家的评价相似，并成功地预测了理论定义的圆球制度，这与传统方法的结果一致。

Han说，现在他们已经证明了使用合成数据和计算机视觉模型来追踪斑点是成功的，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的粒子传输。

他们还公开了数据集和模型，并期待着看到其他研究小组如何应用这些工具来研究水花的动态，Drori说。

"在此之前，有一个进入的障碍，即大多数情况下，只有等离子体物理学家在研究这个问题，他们有数据集，并在使用他们的方法。有一个巨大的机器学习和计算机视觉社区。他补充说："这项工作的一个目标是鼓励更广泛的机器学习社区参与聚变研究，以实现帮助解决气候变化这一关键问题这一更广泛的目标。

这项研究得到了能源部和瑞士国家科学基金会的部分支持。