可控核聚变作为全球研究焦点，有望缓解气候变化，因其与太阳核反应过程相同，若实现可近乎无限为人类提供无碳能源。如今，一个多学科研究团队借助机器学习工具与分析成果，为这项工作注入新力量。
麻省理工学院等机构的科学家运用计算机视觉模型，识别并跟踪在聚变反应条件下出现的湍流结构，即细丝或“水滴”（blob）。监测这些结构的形成与运动，对理解反应燃料排出的热量和颗粒流意义重大，这最终决定了反应堆壁的工程要求。然而，以往科学家常用平均技术研究blob，牺牲个体结构细节以支持总体统计，且需手动标记blob信息来跟踪，过程繁琐。
为此，研究人员构建等离子体湍流合成视频数据集，训练四个计算机视觉模型识别并跟踪blob，使其以与人类相同方式精准定位。经真实视频片段测试，模型识别blob准确率超80%，还能有效估计其大小与移动速度。
由于一次融合实验就会捕获数百万帧图像，机器学习模型助力下，科学家能获取更详细信息。研究团队成员包括西奥多·戈菲诺普洛斯（Theodore Golfinopoulos） 、主要作者物理学博士候选人Woonghee “Harry” Han、资深作者计算机科学与人工智能实验室客座教授Iddo Drori等，该研究成果发表于《自然科学报告》。
事实上，70多年来，科学家一直致力于利用受控热核聚变反应开发能源。为达聚变条件，燃料需加热到1亿摄氏度以上，托卡马克是容纳超热燃料（等离子体）的常用装置，靠强磁场约束等离子体并控制废热与反应器壁相互作用。但在等离子体与反应器壁边缘，会出现从等离子体脱落的细丝状blob，影响能量流动。
戈菲诺普洛斯指出，了解blob行为对限制托卡马克发电厂边缘工程性能至关重要。研究人员用独特成像技术捕捉等离子体湍流边缘视频，一场实验可能持续数月，每天产生约30秒数据、6000万个视频帧，每秒出现数千个blob，手动跟踪不现实，只能依赖平均采样技术获取宽泛特征。而机器学习通过逐帧逐点跟踪解决此问题，让研究人员对等离子体边界情况有更多了解。
Han等人采用四种常用计算机视觉模型，通过创建庞大合成视频片段数据集来训练模型。这些数据集捕捉blob的随机性与不可预测性，如方向、速度变化，合并或分裂等，还能对每个blob进行标记，使训练更有效。模型经训练可在blob周围画出边界，模仿人类科学家操作。随后用真实视频数据测试，测量边界匹配度，还请人类专家定位blob中心，验证模型预测。结果显示，模型能绘制准确blob边界，约80%时间与亮度轮廓重叠，评估与人类专家相似，预测结果与传统方法一致。
研究人员计划将此技术应用于聚变研究其他问题，如估计等离子体边界粒子传输，同时公开数据集与模型，期望更多研究小组参与。此前，研究该问题多为等离子体物理学家，现在这项工作旨在鼓励机器学习和计算机视觉社区参与，助力解决气候变化实际问题。研究得到美国能源部和瑞士国家科学基金会支持。
#可控核聚变 #机器学习 #等离子体 #计算机视觉
