0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

神經(jīng)網(wǎng)絡(luò)與未來的 NSTX-U裝置結(jié)合,加速核聚變技術(shù)的研究

nlfO_thejiangme ? 來源:YXQ ? 2019-05-28 17:52 ? 次閱讀

隨著機(jī)器學(xué)習(xí)的發(fā)展,越來越多的領(lǐng)域都從中獲取到了發(fā)展的巨大力量。除了自動(dòng)駕駛、人臉識(shí)別、理解語言外,機(jī)器學(xué)習(xí)還將幫助人類創(chuàng)造更加清潔的能源未來。

來自普林斯頓等離子物理實(shí)驗(yàn)室的研究人員們將機(jī)器學(xué)習(xí)應(yīng)用到等離子體的建模和預(yù)測中,使得快速調(diào)控產(chǎn)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(shù)恒星上都由等離子體進(jìn)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(zhì)狀態(tài)是驅(qū)動(dòng)聚變的基礎(chǔ)。

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

科學(xué)家必須加熱并控制等離子體的狀態(tài)才能穩(wěn)定有效地控制設(shè)備輸出能量。普林斯頓的研究人員利用機(jī)器學(xué)***提升了對(duì)于等離子體的控制效果。

神經(jīng)網(wǎng)絡(luò)

研究人員利用機(jī)器學(xué)習(xí)中的代表性方法——神經(jīng)網(wǎng)絡(luò)構(gòu)建了模型,并在先進(jìn)聚變?cè)O(shè)備NSTX-U產(chǎn)生的數(shù)據(jù)上進(jìn)行了訓(xùn)練。

訓(xùn)練后的模型可以精確的預(yù)測中子束射流產(chǎn)生高能粒子的動(dòng)力學(xué)行為,而這些高能粒子真實(shí)用于生成和加熱聚變反應(yīng)的原料,它們將會(huì)把等離子體加熱到上百萬度以便開始熱核反應(yīng)。

在此之前研究人員通常使用復(fù)雜的程序來對(duì)粒子行為進(jìn)行預(yù)測,這種稱為NUBEAM的程序需要節(jié)約和中子束與等離子體的碰撞信息才能計(jì)算。理想情況下,如果要分析實(shí)驗(yàn)中等離子體的行為,這種復(fù)雜的計(jì)算需要事先每秒上百次的分析。

然而現(xiàn)實(shí)情況卻是每次這樣的復(fù)雜計(jì)算在現(xiàn)有技術(shù)水平下需要耗時(shí)幾分鐘,研究人員只能在每次只持續(xù)幾秒的實(shí)驗(yàn)結(jié)束后慢慢進(jìn)行數(shù)據(jù)分析。

最新的機(jī)器學(xué)習(xí)模型則將這一預(yù)測時(shí)間減小到了150ms內(nèi),使得分析計(jì)算得以在每次實(shí)驗(yàn)過程中進(jìn)行。

這一模型最初的應(yīng)用在于估計(jì)等離子體行為中不易直接測量的特點(diǎn)。這一技術(shù)與機(jī)器學(xué)習(xí)技術(shù)結(jié)合后,就可以根據(jù)有限的測量進(jìn)行實(shí)時(shí)預(yù)測,能夠幫助系統(tǒng)更好的控制等離子體系統(tǒng),并調(diào)整粒子注入方式以優(yōu)化和維持等離子體的穩(wěn)定性,這對(duì)于核聚變反應(yīng)至關(guān)重要。

快速評(píng)測

除了在實(shí)驗(yàn)過程中的實(shí)時(shí)分析,兩次實(shí)驗(yàn)之間的快速測評(píng)將幫助操作員更好的理解系統(tǒng)的狀態(tài)并調(diào)整下次實(shí)驗(yàn)。在15-20分鐘的實(shí)驗(yàn)間隔中,加速模型將給操作員提供豐富的信息來調(diào)整中子射流,以便改進(jìn)下一次實(shí)驗(yàn)的表現(xiàn)。

研究人員同時(shí)還構(gòu)建了包含各種狀況等離子體的NUBEAM計(jì)算數(shù)據(jù)集,可以利用它們訓(xùn)練網(wǎng)絡(luò)預(yù)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(luò)等。在與軟件工程師的合作下,他們還開發(fā)出了評(píng)測軟件來在計(jì)算機(jī)上測試模型對(duì)于聚變反應(yīng)主動(dòng)控制的效果。

研究人員們?cè)诓粩嚅_發(fā)新的機(jī)型,為了盡量避免等離子的意外瓦解,減少對(duì)實(shí)驗(yàn)設(shè)備造成的巨大損害。他們還充分利用了機(jī)器學(xué)習(xí)來預(yù)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(shù)據(jù),并在每ms更新系統(tǒng)的瓦解率,在達(dá)到報(bào)警閾值是發(fā)出信號(hào)來控制氣體注入減小等離子體瓦解產(chǎn)生的副作用。

研究人員表示未來將把神經(jīng)網(wǎng)絡(luò)與未來的NSTX-U裝置結(jié)合起來,并應(yīng)用于其他的聚變裝置,并且將會(huì)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(shù)的研究。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:普林斯頓科學(xué)家讓AI助力可控核聚變

文章出處:【微信號(hào):thejiangmen,微信公眾號(hào):將門創(chuàng)投】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦

    可控核聚變解決方案

    核聚變領(lǐng)域進(jìn)行了長期研究和實(shí)踐,取得了顯著進(jìn)展,如東方超環(huán)(EAST)和中國環(huán)流器三號(hào)(HL-2M)的成功運(yùn)行…
    發(fā)表于 09-05 10:32 ?1次下載

    解決方案丨持續(xù)注能人造太陽裝置,助力我國可控核聚變技術(shù)研究

    。我國在核聚變領(lǐng)域進(jìn)行了長期研究和實(shí)踐,取得了顯著進(jìn)展,如東方超環(huán)(EAST)和中國環(huán)流器三號(hào)(HL-2M)的成功運(yùn)行...
    的頭像 發(fā)表于 08-30 16:37 ?559次閱讀
    解決方案丨持續(xù)注能人造太陽<b class='flag-5'>裝置</b>,助力我國可控<b class='flag-5'>核聚變</b><b class='flag-5'>技術(shù)研究</b>

    解決方案丨持續(xù)注能人造太陽裝置,助力我國可控核聚變技術(shù)研究

    領(lǐng)域進(jìn)行了長期研究和實(shí)踐,取得了顯著進(jìn)展,如東方超環(huán)(EAST)和中國環(huán)流器三號(hào)(HL-2M)的成功運(yùn)行。一、技術(shù)難點(diǎn)可控核聚變技術(shù)研究的一個(gè)難點(diǎn)是實(shí)現(xiàn)
    的頭像 發(fā)表于 08-28 18:20 ?369次閱讀
    解決方案丨持續(xù)注能人造太陽<b class='flag-5'>裝置</b>,助力我國可控<b class='flag-5'>核聚變</b><b class='flag-5'>技術(shù)研究</b>

    業(yè)務(wù)資訊丨森木磊石持續(xù)發(fā)力加速器、核聚變;PPEC電源控制核心走入高校課堂

    粒子加速器和核聚變是當(dāng)今科學(xué)研究和能源開發(fā)領(lǐng)域的重要方向,具有巨大的發(fā)展?jié)摿蛷V泛的應(yīng)用前景。粒子加速器作為提高粒子能量的重要工具,廣泛應(yīng)用于醫(yī)療、輻照加工、環(huán)保、無損檢測等領(lǐng)域。而
    的頭像 發(fā)表于 07-27 08:23 ?513次閱讀
    業(yè)務(wù)資訊丨森木磊石持續(xù)發(fā)力<b class='flag-5'>加速</b>器、<b class='flag-5'>核聚變</b>;PPEC電源控制核心走入高校課堂

    神經(jīng)網(wǎng)絡(luò)專用硬件實(shí)現(xiàn)的方法和技術(shù)

    神經(jīng)網(wǎng)絡(luò)專用硬件實(shí)現(xiàn)是人工智能領(lǐng)域的一個(gè)重要研究方向,旨在通過設(shè)計(jì)專門的硬件來加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和推理過程,提高計(jì)算效率和能效比。以下將詳細(xì)介紹神經(jīng)
    的頭像 發(fā)表于 07-15 10:47 ?1201次閱讀

    什么是神經(jīng)網(wǎng)絡(luò)加速器?它有哪些特點(diǎn)?

    神經(jīng)網(wǎng)絡(luò)加速器是一種專門設(shè)計(jì)用于提高神經(jīng)網(wǎng)絡(luò)計(jì)算效率的硬件設(shè)備。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展和廣泛應(yīng)用,神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和計(jì)算量急劇增加,
    的頭像 發(fā)表于 07-11 10:40 ?519次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的區(qū)別

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡稱ANNs)之間的關(guān)系與區(qū)別,是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中一個(gè)基礎(chǔ)且重要的話題。本文將從定義、結(jié)構(gòu)、算法、應(yīng)用及未來
    的頭像 發(fā)表于 07-10 15:20 ?1163次閱讀

    全連接前饋神經(jīng)網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)的比較

    隨著人工智能技術(shù)的飛速發(fā)展,神經(jīng)網(wǎng)絡(luò)作為其核心組成部分,在各個(gè)領(lǐng)域展現(xiàn)出了強(qiáng)大的應(yīng)用潛力和價(jià)值。在眾多神經(jīng)網(wǎng)絡(luò)類型中,全連接前饋神經(jīng)網(wǎng)絡(luò)(Fully Connected Feedfor
    的頭像 發(fā)表于 07-09 10:31 ?9074次閱讀

    rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN(Recurrent Neural Network)是循環(huán)神經(jīng)網(wǎng)絡(luò),而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有時(shí)間序列特性的神經(jīng)網(wǎng)絡(luò),能夠處理序列數(shù)據(jù),具有記憶功能。以下是關(guān)于循環(huán)
    的頭像 發(fā)表于 07-05 09:52 ?591次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)

    遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡稱RNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡稱RNN)實(shí)際上是同一個(gè)概念,只是不同的翻譯方式
    的頭像 發(fā)表于 07-04 14:54 ?808次閱讀

    反向傳播神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域都有廣泛的應(yīng)用,如語音識(shí)別、圖像識(shí)別、自然語言處理等。然而,BP神經(jīng)網(wǎng)絡(luò)也存在一些問題,如容易陷入局部最優(yōu)解、訓(xùn)練時(shí)間長、對(duì)初始權(quán)重敏感等。為了解決這些問題,研究者們提出了一些改進(jìn)的BP
    的頭像 發(fā)表于 07-03 11:00 ?828次閱讀

    bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)

    Network)有相似之處,但它們之間還是存在一些關(guān)鍵的區(qū)別。 一、引言 神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元結(jié)構(gòu)的計(jì)算模型,它由大量的神經(jīng)元(或稱為節(jié)點(diǎn))組成,這些神經(jīng)元通過權(quán)重連接在一起
    的頭像 發(fā)表于 07-03 10:14 ?872次閱讀

    bp神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)別是什么

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是兩種不同類型的人工神經(jīng)網(wǎng)絡(luò),它們?cè)?/div>
    的頭像 發(fā)表于 07-03 10:12 ?1240次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    化能力。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能領(lǐng)域的重要技術(shù)之一。卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)
    的頭像 發(fā)表于 07-02 14:24 ?4310次閱讀

    詳解深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

    處理技術(shù)也可以通過深度學(xué)習(xí)來獲得更優(yōu)異的效果,比如去噪、超分辨率和跟蹤算法等。為了跟上時(shí)代的步伐,必須對(duì)深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)技術(shù)有所學(xué)習(xí)和研究。本文將介紹深度學(xué)習(xí)技術(shù)、
    的頭像 發(fā)表于 01-11 10:51 ?2212次閱讀
    詳解深度學(xué)習(xí)、<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>與卷積<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的應(yīng)用