来自埃因霍温理工大学应用物理系核聚变科学与技术组的 Aaron Ho 利用机器学习的方法，来加快堆芯等离子体湍流传输的数值模拟。他于 3 月 17 日进行了博士论文答辩。

核聚变反应堆研究的最终目标是以经济可行的方式实现净功率的提升。为了达到这个目标，已经建造了大型复杂的装置，但随着这些装置变得越来越复杂，对其运行采取预测优先的方法变得越来越重要。这样可以减少运行效率低下的情况，并保护设备不受严重损坏。

视频来自于 核聚变讲座

为了模拟这样的系统，需要能够捕捉到融合装置中所有相关现象的模型，这些模型要足够准确，以便预测可以用来做出可靠的设计决策，并且要足够快，以快速找到可行的解决方案。

在他的博士研究中，Aaron Ho 通过使用基于神经网络的模型开发了一个满足这些标准的模型。这种技术有效地让模型以数据收集为代价，同时保留了速度和精度。该数值方法被应用于一个减阶湍流模型QuaLiKiz，该模型可以预测微湍流引起的等离子体传输量。这种特殊的现象是托卡马克等离子体装置中最主要的传输机制。遗憾的是，它的计算也是目前托卡马克等离子体建模的限速因素。

Ho 成功地用 QuaLiKiz 评价训练了一个神经网络模型，同时将实验数据作为训练输入。然后将得到的神经网络耦合到一个更大的集成建模框架 JINTRAC 中，以模拟等离子体装置的核心。

通过用Ho的神经网络模型替换原有的QuaLiKiz模型，并对比结果，对神经网络的性能进行了评估。与原来的 QuaLiKiz 模型相比，Ho 的模型考虑了更多的物理模型，重复结果的精度在 10% 以内，并且将模拟时间从 16 个核心的 217 个小时减少到单核心的2个小时。

然后为了检验模型在训练数据之外的有效性，在等离子体升压场景下，利用耦合系统进行优化练习，对模型进行了原理验证。这项研究使人们对实验观测背后的物理学有了更深的理解，并强调了快速、准确和详细的等离子体模型的好处。

最后，Ho建议，该模型可以扩展到控制器或实验设计等进一步应用。他还建议将该技术扩展到其他物理模型，因为据观察，湍流传输预测不再是限制因素。这将进一步提高综合模型在迭代应用中的适用性，并能进行必要的验证工作，使其能力更接近于真正的预测模型。