普林斯顿等离子体物理实验室的 NSTX-U 可以作为下一代聚变试验工厂的模型。
根据最近的模拟和分析，美国能源部 (DOE) 普林斯顿等离子体物理实验室 ( PPPL ) 的旗舰聚变设施可能成为具有经济吸引力的下一代聚变试验工厂的典范。该试验工厂可能是美国下一步收集为太阳和地球上的恒星提供能量的聚变能，作为生产能源的安全清洁能源。
美国核聚变界最近推动了一项紧急努力，以开发和建造一个能够在 2040 年代发电的具有成本效益的试验工厂。PPPL 的旗舰，国家球形环面实验升级 (NSTX-U)，目前正在修复，具有独特的特点，使其设计适合这一角色。“这一切都是为了试图预测这条路线是否有利于建设具有成本效益的试验工厂及其他方面，”首席物理学家、在《核聚变》杂志上发表的一项详细介绍新发现的研究的主要作者沃尔特·古滕费尔德 (Walter Guttenfelder)说。
聚变通过将氢等轻元素以等离子体的形式结合产生巨大的能量，等离子体是由自由电子和原子核或离子组成的热带电物质状态。等离子体构成了可见宇宙的 99%，并促进聚变反应产生热量和光，从而创造和维持地球上的生命。球形的 NSTX-U 以相对紧凑且经济高效的配置产生聚变反应所需的高压等离子体。与升级前的旧设备相比，该设施的运行能力得到了极大增强。“NSTX-U 的主要动机是提高功率和磁场，以支持高温等离子体，看看之前观察到的有利趋势是否能持续下去，”古登费尔德说。
NSTX-U 研究团队的最新理论、分析和建模预测，这些趋势中的许多应该在新的 NSTX-U 实验中得到证实。NSTX-U 的预测运行条件包括：
- 启动等离子体。已经开发出一种模型来有效优化等离子体的启动和加速，并且它被应用于帮助英国的球形托卡马克设施产生其第一等离子体。
- 了解等离子体边缘。新模型模拟了等离子体边缘和托卡马克壁之间的动态，这可以确定等离子体核心是否能达到产生聚变反应所需的 1.5 亿度温度。
- 应用人工智能。人工智能机器学习已经开发出一条快速途径，用于优化和控制与预测的测试目标紧密匹配的等离子体条件。
- 新技术。模拟表明，有许多新技术可以保护 NSTX-U 内部组件免受聚变反应产生的废热冲击。这些概念之一是使用汽化锂来减少热通量的影响。
- 性能稳定。研究发现，即使存在可能导致操作性能下降的不稳定因素，NSTX-U 性能窗口仍能保持稳定。
- 应避免什么。不稳定等离子体的预测范围与大型实验数据库之间的高度一致性，加深了我们对应避免的情况的理解。
因此， 《核聚变》论文称，在理解和预测 NSTX-U 如何推动聚变能发展方面取得了重大进展。“下一步，”古登费尔德说，“是看看新的实验是否验证了我们的预测，如果没有，就改进预测。这些步骤结合起来将使对未来设备的预测更加自信。”这项研究得到了美国能源部科学办公室的支持，许多模拟都是利用美国能源部科学办公室用户设施国家能源研究科学计算中心的资源进行的。该论文的合著者包括来自 PPPL 和全球 23 个合作机构的研究人员。
PPPL 位于美国新泽西州普林斯顿大学福雷斯特尔校区，致力于创造有关等离子体（超热带电气体）物理学的新知识，并开发用于创造聚变能的实用解决方案。
一种新颖的计算机算法或规则集可以准确预测太阳系行星的轨道，可以更好地预测和控制为聚变设施提供燃料的等离子体的行为，这些设施旨在在地球上收集为太阳和恒星提供能量的聚变能。
该算法由美国能源部 (DOE) 普林斯顿等离子体物理实验室 ( PPPL ) 的一名科学家设计，应用机器学习（一种从经验中学习的人工智能(AI)形式）来进行预测。“通常在物理学中，你会进行观察，根据这些观察创建一个理论，然后使用该理论来预测新的观察结果，” PPPL 物理学家 Hong Qin 说道，他在《科学报告》中发表了一篇详细介绍该概念的论文。“我正在做的是用一种黑匣子取代这个过程，它无需使用传统的理论或定律就能做出准确的预测。”
秦刚 (发音为Chin ) 创建了一个计算机程序，他将过去对水星、金星、地球、火星、木星和矮行星谷神星轨道的观测数据输入到该程序中。该程序与另一个称为“服务算法”的程序一起，无需使用牛顿运动定律和引力定律，就能准确预测太阳系中其他行星的轨道。“本质上，我绕过了物理学的所有基本要素。我直接从数据获取数据，”秦刚说。“中间没有物理定律。”
该程序并非偶然得出准确预测。“洪教授该程序自然界用于确定任何物理系统动态的基本原理，”美国能源部洛斯阿拉莫斯国家实验室的物理学家 Joshua Burby 说道，他在秦的指导下获得了普林斯顿大学的博士学位。“回报是，网络在见证了很少的训练示例后就学会了行星运动的规律。换句话说，他的代码真的‘学习’了物理定律。”
机器学习使谷歌翻译等计算机程序成为可能。谷歌翻译筛选大量信息，以确定一种语言中的一个单词被翻译成另一种语言的单词的频率。通过这种方式，程序无需真正学习任何一种语言就可以进行准确的翻译。
这一过程也出现在哲学思想实验中，如约翰·塞尔的《中文房间》。在那个场景中，一个不懂中文的人仍然可以用一套指令或规则将一个中文句子“翻译”成英文或任何其他语言，这些指令或规则可以代替理解。这个思想实验提出了一些问题：理解任何事情的根本含义是什么，理解是否意味着除了遵循规则之外，大脑中还发生了其他事情。
秦的部分灵感来自牛津哲学家尼克·博斯特罗姆的哲学思想实验，即宇宙是一个计算机模拟。如果这是真的，那么基本物理定律应该揭示宇宙是由单个时空块组成的，就像视频游戏中的像素一样。“如果我们生活在一个模拟中，我们的世界必须是离散的，”秦说。秦设计的黑箱技术不需要物理学家完全相信模拟猜想，但它建立在这一想法的基础上，创造了一个能够做出准确物理预测的程序。
由此产生的像素化世界视图类似于电影《黑客帝国》中描绘的世界，被称为离散场论，该理论认为宇宙由单个比特组成，与人们通常创造的理论不同。虽然科学家通常会设计出物理世界如何运作的总体概念，但计算机只是收集一组数据点。
秦和普林斯顿大学等离子体物理项目研究生埃里克·帕尔默杜卡目前正在开发利用离散场理论预测世界各地科学家进行的聚变实验中等离子体粒子行为的方法。最广泛使用的聚变设施是环形托卡马克装置，它将等离子体限制在强大的磁场中。
核聚变是驱动太阳和恒星运转的能量，它将轻元素以等离子体的形式结合在一起。等离子体是一种由自由电子和原子核组成的热带电物质，占可见宇宙的 99%。科学家们正在努力在地球上复制核聚变，以获得几乎取之不尽的电力来发电。
“在磁聚变装置中，等离子体的动力学复杂且多尺度，我们感兴趣的特定物理过程的有效控制定律或计算模型并不总是很清楚，”秦说。“在这些场景中，我们可以应用我开发的机器学习技术来创建离散场论，然后应用这种离散场论来理解和预测新的实验观测结果。”
这个过程引发了人们对科学本身本质的质疑。科学家难道不想开发出解释世界的物理理论，而不是简单地收集数据吗？理论不是物理学的基础，不是解释和理解现象的必需品吗？
“我认为任何科学家的最终目标都是预测，”秦说。“你可能不一定需要定律。例如，如果我能完美地预测行星轨道，我就不需要知道牛顿引力和运动定律。你可以说，这样做会比知道牛顿定律更难理解。从某种意义上说，这是正确的。但从实际角度来看，做出准确的预测并不意味着少做任何事情。”
机器学习还可以为更多研究开辟可能性。“它大大拓宽了你可以解决的问题范围，因为你所需要的只是数据，”帕尔默杜卡说。
这项技术还可能促成传统物理理论的发展。“虽然从某种意义上说，这种方法排除了对这种理论的需求，但它也可以被视为通向理论的一条途径，”帕尔默杜卡说。“当你试图推导一个理论时，你会希望拥有尽可能多的数据。如果你得到了一些数据，你可以使用机器学习来填补数据中的空白或以其他方式扩展数据集。”
基于宇宙学模拟图像训练的“深度学习”算法在对哈勃图像中的真实星系进行分类方面取得了令人惊讶的成功。
一种名为机器学习方法已广泛应用于人脸识别以及其他图像和语音识别应用，在帮助天文学家分析星系图像并了解其形成和演化方式方面显示出良好的前景。
在一项即将发表在《天体物理学杂志》上的新研究中，研究人员使用星系形成的计算机模拟来训练深度学习算法，结果证明该算法在分析哈勃望远镜拍摄的星系图像方面表现出奇的好用。
研究人员利用模拟结果生成模拟星系的模拟图像，就像哈勃太空望远镜观测到的那样。模拟图像用于训练深度学习系统识别之前在模拟中确定的星系演化的三个关键阶段。然后，研究人员向系统提供了大量实际哈勃图像进行分类。
结果表明，神经网络对模拟星系和真实星系的分类具有显著的一致性。
“我们没想到它会如此成功。我对它的威力感到惊讶，”合著者、加州大学圣克鲁斯分校物理学名誉教授兼圣克鲁斯粒子物理研究所 (SCIPP) 成员乔尔·普里马克 (Joel Primack) 表示。“我们知道模拟有局限性，所以我们不想做出过分夸张的断言。但我们不认为这只是一个侥幸。”
星系是一种复杂的现象，数十亿年来，它们的外观不断变化，星系图像只能提供时间上的快照。天文学家可以深入宇宙，从而“回到过去”看到更早的星系（因为光传播宇宙距离需要时间），但追踪单个星系随时间的变化只有在模拟中才有可能。将模拟星系与观测到的星系进行比较可以揭示实际星系及其可能历史的重要细节。
蓝色小块
在这项新研究中，研究人员对在富含气体的星系演化早期模拟中看到的一种现象特别感兴趣，当时大量气体流入星系中心，形成一个小而密集的恒星形成区域，被称为“蓝块”。（年轻、炽热的恒星发出短波长的“蓝色”光，因此蓝色表示星系有活跃的恒星形成，而较老、较冷的恒星发出更多的“红色”光。）
在模拟数据和观测数据中，计算机程序发现“蓝块”阶段仅发生在质量在一定范围内的星系中。随后，中心区域的恒星形成会停止，从而形成紧凑的“红块”阶段。质量范围的一致性是一个令人兴奋的发现，因为它表明深度学习算法正在自行识别真实星系中发生的关键物理过程所产生的模式。
“可能在某个特定的尺寸范围内，星系的质量刚好适合这一物理过程发生，”论文合著者、加州大学圣克鲁斯分校天文学和天体物理学名誉教授 David Koo 说。
研究人员使用了由 Primack 和国际合作团队开发的最先进的星系模拟（VELA 模拟），其中包括负责运行模拟的 Daniel Ceverino（海德堡大学）和领导模拟分析和解释并在此基础上开发新物理概念的 Avishai Dekel（希伯来大学）。然而，所有这些模拟在捕捉星系形成的复杂物理现象方面的能力都有限。
尤其是，本研究中使用的模拟不包括来自活跃星系核的反馈（当气体被中心超大质量黑洞吸积时，从辐射中注入能量）。许多天文学家认为这一过程是调节星系中恒星形成的重要因素。然而，对遥远的年轻星系的观测似乎显示出导致模拟中看到的蓝块阶段的现象的证据。
烛光
对于观测数据，该团队使用了通过 CANDELS 项目（宇宙大会近红外深层河外星系遗产调查）获得的星系图像，该项目是哈勃太空望远镜历史上最大的项目。第一作者 Marc Huertas-Company 是巴黎天文台和巴黎狄德罗大学的天文学家，他已经利用公开的 CANDELS 数据将深度学习方法应用于星系分类，做出了开创性的工作。
CANDELS 联合研究员 Koo 邀请 Huertas-Company 访问加州大学圣克鲁兹分校，继续开展这项工作。谷歌通过向 Koo 和 Primack 提供研究资金，为他们在天文学深度学习方面的工作提供支持，让 Huertas-Company 在过去两个夏天都在圣克鲁兹度过，并计划于 2018 年夏天再次访问。
“这个项目只是我们几个想法中的一个，”Koo 说。“我们希望选择一个理论家能够根据模拟明确定义的过程，并且与星系的外观有关，然后让深度学习算法在观测中寻找它。我们才刚刚开始探索这种新的研究方式。这是一种融合理论和观察的新方法。”
多年来，普里马克一直与 Koo 和加州大学圣克鲁斯分校的其他天文学家密切合作，将他的团队对星系形成和演化的模拟与 CANDELS 观测结果进行比较。“VELA 模拟在帮助我们理解 CANDELS 观测方面取得了很大成功，”普里马克说。“不过，没有人能做出完美的模拟。随着我们继续这项工作，我们将继续开发更好的模拟。”
Koo 认为，深度学习有潜力揭示人类无法看到的观测数据方面。缺点是该算法就像一个“黑匣子”，因此很难知道机器使用数据中的哪些特征进行分类。然而，网络查询技术可以确定图像中哪些像素对分类贡献最大，研究人员在他们的网络上测试了这种方法。
Koo 表示：“深度学习寻找模式，机器可以发现人类无法发现的复杂模式。我们想对这种方法进行更多测试，但在这项概念验证研究中，机器似乎成功地在数据中找到了模拟中确定的星系演化的不同阶段。”
他说，未来，随着大型巡天项目和大型综合巡天望远镜、詹姆斯·韦伯太空望远镜和广角红外巡天望远镜等新望远镜的出现，天文学家将拥有更多的观测数据可供分析。深度学习和其他机器学习方法可以成为理解这些海量数据集的有力工具。
Koo 表示：“这是先进人工智能在天文学领域应用的激动人心的新时代的开始。”
除了谷歌的支持外，这项工作还得到了法国-以色列 PICS、美国-以色列双边科学基金会、美国国家科学基金会和哈勃太空望远镜的部分资助。VELA 计算机模拟在美国宇航局的 Pleiades 超级计算机和美国能源部的国家能源研究科学计算机中心 (NERSC) 上运行。
