Neuronale Netze fördern die Fusionsforschung mit schnellen Vorhersagen von Ionentemperatur und Rotationsgeschwindigkeit

Bei Fusionsexperimenten ist das Verständnis des Verhaltens des Plasmas, insbesondere der Ionentemperatur und Rotationsgeschwindigkeit, von entscheidender Bedeutung. Diese beiden Parameter spielen eine entscheidende Rolle für die Stabilität und Leistung des Plasmas und sind daher für die Weiterentwicklung der Fusionstechnologie von entscheidender Bedeutung. Allerdings war die schnelle und genaue Messung dieser Werte eine große technische Herausforderung beim Betrieb von Fusionsreaktoren auf optimalem Niveau.

Ein Forschungsteam an den Hefei-Instituten für Physikalische Wissenschaften der Chinesischen Akademie der Wissenschaften unter der Leitung von Prof. Lyu Bo hat kürzlich neuronale Netze auf die Röntgenkristallspektroskopie (XCS) angewendet, um schnell Rückschlüsse auf Ionentemperatur- und Rotationsgeschwindigkeitsprofile in zu ziehen Experimentelles Advanced Supraconducting Tokamak (EAST)-Fusionsgerät. Ihre Ergebnisse waren veröffentlicht In Kernfusion.

Es wurden zwei Arten von Modellen erstellt: Deep Neural Networks (DNN) und Convolutional Neural Networks (CNN), die beide Echtzeitberechnungen durchführen können. Validierungstests bestätigten, dass ihre Vorhersagen weitgehend mit den tatsächlichen Daten übereinstimmten.

Eines der wichtigsten Ergebnisse dieser Studie war die signifikante Geschwindigkeitsverbesserung durch DNN. Es ist mehr als zehnmal schneller als herkömmliche Methoden und liefert schnelle Ergebnisse ohne Kompromisse bei der Genauigkeit. Es demonstrierte die Möglichkeit, den Bereich und die Fehler der Eingabedaten automatisch zu bewerten und so den Weg für intelligentere Diagnosesysteme in der Zukunft zu ebnen.

Die CNN-Modelle haben erfolgreich linienintegrierte Rotationsgeschwindigkeitsprofile und lokalisierte radiale Ionentemperaturprofile vorhergesagt und damit ihre Zuverlässigkeit weiter unter Beweis gestellt. Dieses Modell kann über die aktuelle Studie hinaus an verschiedene Diagnosesysteme angepasst werden, was es für breitere Anwendungen in der Fusionsforschung äußerst nützlich macht.

Diese Forschung verbessert die Genauigkeit und Geschwindigkeit der Vorhersage von Ionentemperatur- und Rotationsgeschwindigkeitsprofilen in Fusionsgeräten und bietet gleichzeitig anpassungsfähige, automatisierte Lösungen für breitere Fusionsanwendungen, so das Team.