深度学习在核聚变研究中的应用
等离子体物理
2018-11-27 v1 机器学习
摘要
核聚变是为太阳提供能量的过程，也是人类未来实现近乎无限能源的最佳希望之一。然而，在地球上重现可持续的核聚变反应是一项巨大的科学和技术挑战。世界各地已建造了称为托卡马克的专用装置，其中 JET（Joint European Torus，位于英国）是目前运行的最大托卡马克。此类装置约束物质并将其加热至极高温度，产生发生聚变反应的等离子体。JET 拥有一百多个诊断系统以监测等离子体内部发生的情况，每次 30 秒的实验（或脉冲）产生约 50 GB 数据。本工作中，我们展示了如何使用卷积神经网络（CNNs）基于这些诊断系统的数据重建装置内部的二维等离子体剖面。我们还讨论了如何使用循环神经网络（RNNs）预测等离子体破裂——这是当今影响托卡马克的主要问题之一。此类网络的训练在 NVIDIA GPU 上完成。
引用
@article{arxiv.1811.00333,
title = {Applications of Deep Learning to Nuclear Fusion Research},
author = {Diogo R. Ferreira},
journal= {arXiv preprint arXiv:1811.00333},
year = {2018}
}
备注
This paper is based on a talk presented at NVIDIA's GPU Technology Conference, which took place at the International Congress Center in Munich, Germany, October 9--11, 2018 (GTC Europe 2018)