东方时讯网聚变承诺使用与太阳能相同的过程提供几乎无限的无碳能源，是有助于缓解气候变化的全球研究工作的核心。一个多学科的研究团队现在正在带来机器学习的工具和见解来帮助这项工作。麻省理工学院和其他地方的科学家已经使用计算机视觉模型来识别和跟踪在促进聚变反应所需的条件下出现的湍流结构。
监测这些称为细丝或“斑点”的结构的形成和运动对于了解从反应燃料中流出的热量和颗粒流非常重要，这最终决定了反应堆壁满足这些流动的工程要求。然而，科学家们通常使用平均技术来研究blob，这种技术会交换单个结构的细节以支持汇总统计数据。必须通过在视频数据中手动标记单个blob信息来跟踪它们。
研究人员构建了一个等离子体湍流合成视频数据集，以使这一过程更加有效和高效。他们用它来训练四个计算机视觉模型，每个模型都可以识别和跟踪blob。他们训练模型以与人类相同的方式精确定位斑点。
当研究人员使用真实的视频剪辑测试训练好的模型时，这些模型可以高精度地识别斑点——在某些情况下超过80%。这些模型还能够有效地估计斑点的大小和它们移动的速度。
由于仅在一次融合实验中就捕获了数百万个视频帧，因此使用机器学习模型来跟踪斑点可以为科学家提供更详细的信息。
“以前，我们可以从宏观上了解这些结构的平均作用。现在，我们有了显微镜和计算能力，可以一次分析一个事件。如果我们退后一步，这揭示的是可用的能力来自这些机器学习技术，以及使用这些计算资源取得进展的方法，”麻省理工学院等离子体科学与融合中心的研究科学家、详细介绍这些方法的论文的合著者TheodoreGolfinopoulos说。
他的合著者包括主要作者Woonghee“Harry”Han，一位物理学博士。候选人;资深作者IddoDrori，计算机科学与人工智能实验室(CSAIL)客座教授，波士顿大学副教授，哥伦比亚大学兼职教授;以及来自麻省理工学院等离子体科学与聚变中心、麻省理工学院土木与环境工程系和瑞士洛桑瑞士联邦理工学院的其他人员。该研究今天发表在《科学报告》中。
加热东西
70多年来，科学家们一直在寻求使用受控的热核聚变反应来开发能源。为了达到聚变反应所需的条件，燃料必须加热到1亿摄氏度以上。(太阳的核心大约是1500万摄氏度。)
包含这种称为等离子体的超热燃料的常用方法是使用托卡马克。这些设备利用极其强大的磁场将等离子体固定在适当的位置，并控制等离子体的废热与反应器壁之间的相互作用。
然而，在等离子体和反应器壁之间的边缘，斑点看起来像从等离子体中脱落的细丝。这些随机的湍流结构会影响能量在等离子体和反应器之间的流动方式。
Golfinopoulos补充说：“了解blob正在做什么会极大地限制您的托卡马克发电厂在边缘所需的工程性能。”
研究人员在实验过程中使用一种独特的成像技术来捕捉等离子体湍流边缘的视频。实验性运动可能会持续数月;典型的一天将产生大约30秒的数据，对应于大约6000万个视频帧，每秒会出现数千个blob。这使得手动跟踪所有blob成为不可能，因此研究人员依赖于仅提供blob大小、速度和频率等广泛特征的平均采样技术。
“另一方面，机器学习通过逐帧跟踪每帧提供了解决方案，而不仅仅是平均数量。这让我们对等离子体边界发生的事情有了更多的了解，”韩说。
他和他的合著者采用了四个成熟的计算机视觉模型，这些模型通常用于自动驾驶等应用，并训练它们来解决这个问题。
模拟blob
为了训练这些模型，他们创建了一个庞大的合成视频剪辑数据集，这些数据集捕捉了blob的随机和不可预测的性质。
“有时它们会改变方向或速度，有时会合并多个斑点，或者它们会分开。传统方法以前没有考虑过这类事件，但我们可以在合成数据中自由地模拟这些行为，”Han说。
Drori补充说，创建合成数据还允许他们标记每个blob，这使得训练过程更加有效。
使用这些合成数据，他们训练模型在斑点周围画出边界，教他们密切模仿人类科学家会画的东西。
然后他们使用来自实验的真实视频数据对模型进行了测试。首先，他们测量了模型绘制的边界与实际斑点轮廓的匹配程度。
但他们也想看看模型是否预测了人类会识别的物体。他们请三位人类专家查明视频帧中斑点的中心，并检查模型是否预测了这些相同位置的斑点。
这些模型能够绘制准确的斑点边界，与被认为是真实的亮度轮廓重叠，大约80%的时间。他们的评估与人类专家的评估相似，并成功地预测了理论定义的blob状态，这与传统方法的结果一致。
Han说，既然他们已经展示了使用合成数据和计算机视觉模型来跟踪斑点的成功，研究人员计划将这些技术应用于聚变研究中的其他问题，例如估计等离子体边界的粒子传输。
Drori说，他们还公开了数据集和模型，并期待看到其他研究小组如何应用这些工具来研究斑点的动态。
“在此之前，有一个进入壁垒，主要是研究这个问题的唯一人员是等离子体物理学家，他们拥有数据集并正在使用他们的方法。有一个庞大的机器学习和计算机视觉社区。一个目标是这项工作是为了鼓励更广泛的机器学习社区参与融合研究，以实现帮助解决气候变化这一关键问题的更广泛目标，”他补充道。