机器学习:能否改善数值模型以激发约束聚变?

发布时间: 2020-01-21 10:20:29   作者:本站编辑   来源: /www.laserfocusworld.com   浏览次数:

     

  罗彻斯特大学的OMEGA激光器应用了机器学习技术,提高了聚变产额。国家点火装置(National Ignition Facility, NIF)也可能发生同样的情况。

  

  1 显示的是NIF实验中的聚变产额率。靶丸的材料为塑料(CH),铍(Be)或高密度碳(HDC)。脉冲为低脚(Low Foot),高脚(High Foot)或大脚(Big Foot)。LGF(表示中的气体填充不足。

  激光聚变研究人员利用机器学习技术,将激光脉冲参数和靶设计结合起来,以期优化用于惯性约束聚变(ICF)的靶内爆。对于实现点燃聚变等离子体的这一宏伟目标来说,这将是一个重要的推动力,对于ICF能源生产也至关重要。

  早在1960年,数值模拟就预测到,将含有氘和氚的靶内爆会短暂产生核聚变所需的高温和高压。ICF在模拟热核武器的物理原理以及作为聚变能量的磁约束的替代方案方面都具有吸引力。美国拥有最大的计划,开发了一系列的数值模拟模型和实验激光装置,其资金主要来自核武器计划。

  美国劳伦斯·利弗莫尔国家实验室的国家点火装置是为此工作而建造的大型激光装置。国家点火装置比原定计划晚了数年才建成,而且严重超支(数十亿美元),主要的目的是在2012年之前实现点火。国家点火装置能够输出能量为1.8MJ脉冲,按照之前模拟,1.8MJ已经能够实现点火,但实际的实验结果缺发现1.8MJ的能量远远不能实现点火。

  LLNLICF计划的首席科学家Omar Hurricane指出,到2012年底,NIF打靶仅达到劳森标准(实现点火的指标)的35%。他说,现在已经能够达到了74%。同时,中子产额增加了21倍。2015年,LLNL报告说,聚变产生的α粒子正在向靶等离子体传递重要的热量。

  多年来,聚变能的产额也大大增加了(见图1)。20186月,LLNL打破了2014年的记录,将聚变能的产额推高至54kJ(即1.9×1016中子),而靶内爆所需能量为21kJ,目前输出产额已是其的2倍。这些打靶利用间接聚变模式,激光入射黑腔(hohlraum),照射黑腔壁产生X射线,然后传递能量到靶上。(参见图2)。间接驱动比直接驱动更均匀地照射靶,从而减少等离子体不稳定性。但是,这是以牺牲能量效率为代价的,因为1.5MJ的激光能量进入了加热靶丸的过程。而最终的目标是获得净能量,即从聚变中产生的能量多于驱动聚变过程所需的能量。

  

  2.激光脉冲从黑腔的两开口端入射,照射在金属壁上,产生X射线,该X射线均匀加热并压缩中心低温氢靶丸。

  点火似乎已经超出了一段时间。2016年,一个审查小组写道:目前,尚无法确保目前的结构配置,特定靶设计或方法能够在NIF上实现点火。美国能源部将更多NIF时间分配给其它实验上,并降低了目标,决定到2020财年确定NIF的点火前景。由国家核安全局(National Nuclear Security Administration)委托的审查小组已经开始访问实验室,并将在2020财年末交付其建议。2018年,该机构将点火目标降至2025财年。

  OMEGA上的机器学习

  美国罗克切斯特大学30kJOMEGA激光装置上目前正在进行直接驱动的盐焗,利用机器学习使OMEGA装置的聚变效率提高了三倍。罗彻斯特大学的Varchas GopalaswamyRiccardo Betti及其同事运行简单的一维模型数十万次,每次运行随机改变脉冲形状和靶结构的值。图3给出了两个例子。为了给新一轮打靶选出最佳设计,他们将模拟结果与使用固态氘氚靶的Omega打靶的实际结果进行了比较。Gopalaswamy说,通过将模拟与实验结果联系起来,他们选出了机器设计的靶丸,该靶丸将OMEGA靶丸的中子产率提高了三倍。

  

  3.聚变靶的横截面(a)和靶发射的时间轮廓(b)在计算机打靶中随机更改,并与OMEGA激光实验结果进行了比较。

  您可以在其中探索的参数空间很大,”Betti说。他们进行了数十万次简单测试,为他们提供了丰富的数据,可与OMEGA数据进行匹配。这增加了改进设计的几率。罗彻斯特团队将测试扩展到NIF1.8mJ能量,预测他们的新技术可以产生能够输出500kJ聚变能量的设计,但仅当直接驱动模式有效,并不适用于间接驱动模式。

  美国SLAC国家实验室的Siegfried Glenzer并没有参与这项研究,他认为,《自然》杂志上发表的论文向前迈出了一大步。罗切斯特的机器学习技术有可能规避困扰复杂传统模型的非线性和不稳定性。两种类型的打靶足够相似,足以使新技术提高NIF间接驱动打靶和直接驱动打靶的产额。

  将机器学习应用于NIF

  罗切斯特的Hurricane认为,从原则上讲,机器学习技术可以提高NIF的聚变产额,他们的工作出色而有趣Hurricane拥有一支LLNL团队,正在使用机器学习来改善实验结果,并推动所有有前途的方案的应用,直到获得点火,机器学习的一项优势是他能够引导研究人员注意一些人类设计人员可能未曾考虑过的设计参数。

  将技术扩展到NIF的另一个问题是机器学习需要大量的输入数据。OMEGA装置可以在一天之内打靶多次,并且在多年的运行中已积累了大量数据。相比之下,NIF通常需要大约五天的时间来设置并执行一次用于点火研究的打靶。Glenzer认为, 如此低的打靶频率很难为机器学习建立足够大的数据库。他建议可以利用其他替代方案,包括使用SLAC线性相干光源(Linear Coherent Light Source)的升级版LCLS-II进行测试,LCLS-IIX射线激光源,计划于2020年秋季开始使用。

  LLNL在接下来的几年中有自己的规划。现在NIF打靶产生的中心压强远远超过了太阳的中心压强。按照理论预测,聚变产额与中心热点的能量高度相关。Hurricane的研究小组正在扩大靶的表面积,以吸收更多来自黑腔的能量,同时保持靶内爆的速度和对称性。NIF小组正在尝试了解和解决束线中的异常现象。LLNL团队还致力于解决在靶中观察到的异常,包括不均匀的面密度,低燃料压缩,热斑向侧面移动以及靶丸缺陷。

  Hurricane认为,能量越高,ICF的问题更容易解决,因为更多的能量会放宽对精度的要求。但在我们真正理解所有需要面对和解决的问题,并明确我们真正需要之前,就开始计划新的聚变激光装置是不对的行为。

  机器研究

  即要存有希望,又要谨慎小心,这是人们从过往得到的经验。提高惯性聚变能量,会遇到新的问题。 LLNL实验室的NIF主任Mark Herrmann指出,关于聚变产量急剧增加的预测是充满了危险的,因为在如此高的能量范围内物理和不稳定性会发生怎样的变化存在很大的不确定性。对于致力于理解如此复杂系统的科学家来说,认识到自己还有很多不能理解的问题,真是令人非常沮丧的。他引用了Eugene Wigner多年前的话结束自己的文章:很高兴知道计算机了解问题所在,但我也想知道原因。

  美国国家核安全局(National Nuclear Security Administration, NNSA)审查小组正在对整个惯性聚变计划调研,包括间接驱动,直接驱动以及桑迪亚国家实验室的磁脉冲功率(magnetic pulsed-power approach)。小组成员Glenzer表示,目标是计划对NIF进行升级,使其能够输出更高的脉冲能量和功率,用于新的实验中,从而达到点火或使研究人员能够研究如何点火聚变等离子体。

  编译自: https://www.laserfocusworld.com/software-accessories/software/article/14073261/can-machine-learning-improve-computer-models-enough-to-ignite-internalconfinement-fusion

我来说两句
您尚未登录,请登录后发布评论! 【马上登录
评论列表
已有 0 条评论(查看更多评论)
友情链接
 
电话:021-69918000 传真:021-69918800
360网站安全检测平台 Powered by SIOM Copyright © 2014 www.siom.ac.cn, All Rights Reserved pv总量 访客数总量