让聚变走向地球:恒星器优化的机器学习
在 Hugging Face,我们认为解决世界上最困难的科学问题不应该局限于封闭的实验室或孤立的机构。如果我们可以将聚变研究——寻求清洁、无限的能源——向整个机器学习社区开放,那会怎么样?我们很高兴地宣布与 Proxima Fusion 建立新的合作关系,后者是马克斯·普朗克等离子体物理研究所的衍生公司,也是欧洲发展最快的聚变公司。我们将共同推出一系列开放挑战,通过机器学习加速聚变工程——从模拟驱动的恒星器优化方法开始。
因为未来不仅仅是想象出来的,它还需要建模、优化和构建。
第一部分:背景
什么是聚变?
几十年来,受控核聚变一直是清洁、安全、几乎无限能源的希望灯塔。聚变通过将轻核聚变为重核来为恒星提供能量,释放出巨大的能量。但限制高温等离子体——一种炽热的带电粒子汤——却并非易事。两种主要的磁约束聚变方法是托卡马克和仿星器。虽然托卡马克长期以来一直处于领先地位,但由于最近在设计和模拟、新的实验结果以及强大的磁铁方面的进展,仿星器已重新成为一种有前途的替代方案。
什么是恒星器?
恒星器是一种聚变装置,旨在通过扭曲的三维磁场来限制热等离子体,以维持核聚变反应。
与托卡马克不同,托卡马克使用外部磁体和通过等离子体驱动的电流相结合,而恒星器完全依靠外部磁体来塑造和限制等离子体。这使得它们本质上更稳定,更适合连续(稳态)运行,因为它们避免了电流驱动的不稳定性问题和中断。然而,恒星器中的磁场几何形状要复杂得多,需要先进的优化和线圈设计才能实现良好的限制。
机器学习社区术语入门
准等动力学 (QI)
准等动力学(QI)场是恒星器设计中一类磁配置,通过确保带电粒子即使在被捕获时也能保持在其原始磁通量表面附近来改善粒子约束。与传统恒星器中被捕获粒子倾向于漂移并导致能量损失不同,QI 配置通过近似一个称为纵向绝热不变量的守恒量来减少这种漂移。这在不需要托卡马克对称性的情况下,可以获得更好的约束性能,使 QI 成为下一代恒星器的关键特性。
文德尔施泰因 7-X 和恒星器突破
文德尔施泰因 7-X (W7-X) 实验是世界上最先进的仿星器,由德国格赖夫斯瓦尔德的马克斯·普朗克等离子体物理研究所 (IPP) 设计和建造。其建设始于 2005 年,该装置于 2014 年正式完工,并于 2015 年 12 月首次获得等离子体。
W7-X 的设想是一个概念验证:仿星器是否可以设计和建造,以像托卡马克一样有效地限制等离子体,但避免困扰托卡马克的不稳定性和脉冲操作挑战?其任务是证明通过精心优化的三维磁场几何结构可以实现稳态磁约束,利用了几十年的理论和建模进展。
为了建造 W7-X,研究人员使用计算优化过程来设计塑造等离子体的磁场线圈。由此产生的设备具有复杂的扭曲几何形状,可以保持稳定的约束,而无需依赖等离子体中外部感应的电流。在许多方面,这是一场关于是否可以通过几何优化实现高性能聚变的赌博。
回报在 2018 年和 2022 年到来,实验表明 W7-X 可以实现创纪录的低新经典输运水平——这意味着等离子体比任何以前的恒星器都得到了更好的限制。2022 年对仿星器来说确实是“奇迹之年”,新发表的理论结果表明,如果我们能足够快地模拟和设计仿星器,就可以实现大规模加速。
但这个“如果”正是挑战所在。W7-X 背后的设计和模拟流程涉及大量的计算工作、多次设计迭代以及手动调整的设计参数。为了更快、更好地建造下一代恒星器,我们需要新的方法——这正是机器学习社区可以提供帮助的地方。
什么拖慢了我们的脚步?
恒星器以其复杂的 3D 几何结构而闻名,其建造难度极大。传统的计算流程依赖于 VMEC 和 HINT 等物理求解器来计算磁场之间的平衡,但这些求解器可能速度缓慢且脆弱。此外,像 W7-X 这样高度优化的设备通常需要毫米级的公差,这可能会因制造复杂性而导致成本和进度脱轨。优化的 QI 恒星器能否帮助克服这些工程挑战?作为实现电网就绪型聚变的物理风险最低的一类配置,QI 恒星器提供了一个有前景的基础。如果我们能显著简化其工程设计,就能加速实现实用聚变能的进程。
第二部分:挑战
我们提出了三个复杂性递增的恒星器优化问题,每个问题都与聚变反应堆设计具有渐进相关性。
几何优化恒星器 – 在纵横比、三角性和磁场扭曲的固定约束下,设计一个最小化伸长率的形状。
易于建造的准等动力学 (QI) 恒星器 – 优化等离子体形状,通过 QI 特性促进良好约束,但建造更简单,具有更平滑的磁场,需要更简单的线圈。
多目标、磁流体动力学稳定 QI 恒星器 – 在确保约束和稳定性的同时,映射紧凑性和简单性之间的权衡。
每个基准问题都附带参考实现、评估脚本,以及使用 Proxima 开源代码库的经典优化方法的强大基线。
数据是什么样的?
ConStellaration 数据集包含超过 150,000 个由 VMEC++ 生成的 QI 平衡。提醒一下,QI 恒星器是最小化可能导致托卡马克中破坏性事件的内部等离子体电流的配置子集。所提供的平衡对应于不同的 3D 等离子体边界表面,并提供覆盖广泛且具有物理意义的参数范围的样本。该数据集包括:
- 输入参数:3D 等离子体边界,以及压力和电流分布。
- 平衡输出:完整的 VMEC++ 平衡解以及恒星器设计中感兴趣的其他指标(例如,QI 对称度,湍流输运几何量)。
我们在设计什么?
此挑战要求参与者使用机器学习优化仿星器设计,例如,通过构建替代模型来预测 VMEC++ 模拟的结果和关键的下游质量,从而从输入参数中获得这些结果。这些模型最终可以取代恒星器设计管道中昂贵的模拟,从而实现实时设计迭代和可微分优化循环。
我们正在托管一个实时排行榜,研究人员可以在此提交优化设计并比较标准评估指标的性能。
它将解锁什么?
聚变提供了一种零碳、燃料充足且本质安全的能源,可以改变我们的全球能源系统。与化石燃料不同,它不产生温室气体。与裂变不同,它不产生长寿命放射性废物。与太阳能和风能不同,它不是间歇性的。
但没有新一代的工具,我们无法实现这一目标——这些工具能让我们以快几个数量级的速度模拟、优化和设计聚变反应堆。将物理学与机器学习相结合可以加速这一进程。
第三部分:征稿
我们邀请机器学习和聚变社区联手。这个挑战只是一个开始。我们正在寻找整个技术栈的贡献:
- 将边界提交到排行榜,以测试和基准测试您优化等离子体的方法。
- 构建新的架构或代理建模技术,以适应物理模拟任务。
- 为数据集做出贡献,分享新的 VMEC++ 模拟,增加平衡区域的覆盖范围或扩展参数空间。
- 与我们合作——我们正在积极寻找学术界、工业界和开放科学领域的合作伙伴,希望通过机器学习加速聚变工程的进展。
无论您是寻求高影响力科学应用的机器学习研究人员,对可微分优化充满好奇的等离子体物理学家,还是首次探索聚变的学生——您都可以在这次合作中找到自己的位置。我们将提供支持、工具、文档和开放讨论,以帮助贡献者入门并保持参与。如果您有兴趣做出贡献,请联系我们或在 Hugging Face 上克隆 Constellaration 数据集并开始。
结论:为什么它很重要
受控聚变长期以来一直是能源研究的圣杯。它安全。它储量丰富。它可以在不污染世界的情况下为世界提供数百万年的电力。但解锁它不仅需要更好的物理学——还需要更好的工具。这次合作是实现这一目标的一小步:将聚变设计转变为一个快速、迭代且机器学习原生的过程。通过公开模拟数据、定义基准任务并邀请机器学习社区参与,我们希望加速实用聚变能的时间表。我们相信,有了正确的工具——和正确的人——曾经遥不可及的梦想可能会比大多数人想象的更快地成为现实。
开始
from datasets import load_dataset
# Login using e.g. `huggingface-cli login` to access this dataset
ds = load_dataset("proxima-fusion/constellaration", "default")
更多资源
为了更好地了解该领域的现状和当前问题,我们推荐以下资源: