机器学习技术，最著名的案例是教学自动驾驶汽车在红灯时停车，可能很快帮助世界各地的研究人员改善他们对科学已知的最复杂反应的控制：核聚变。

聚变反应通常是氢原子被加热后形成一种叫做等离子体的气态云，当粒子相互撞击并熔合时释放能量。为了让这些反应得到更好的控制，可以从未来核聚变电站的核反应堆中创造出大量的环境清洁能源。

“机器学习和聚变能源之间的联系并不明显，”桑迪亚国家实验室的研究员艾丹·汤普森说，他是能源部科学办公室的一项为期三年的奖金的主要研究者，该奖项每年为220万美元，正是为了实现这一联系。”简单地说，我们开创了机器学习的先河，用于改进反应堆壁材料与等离子体相互作用时的模拟。这已经超出了过去原子尺度模拟的范围。”

他说，预期的结果应该会建议对程序或结构进行修改，以提高核能产量。

机器学习在核聚变建模中的作用

机器学习之所以强大，是因为它使用数学和统计手段来了解情况，而不是分析所需类别中的每一个数据。例如，只需要少量的狗照片就可以教给识别系统“狗狗”的概念，换句话说，“这是一只狗”，而不是扫描现有的每一张狗照片。

Sandia对核聚变的机器学习方法是相同的，但更复杂。

汤普森说：“实际观察反应堆壁内发生的事情并不是一个小问题，因为这些结构内部被作为过热等离子体一部分的氢、氦、氘和氚轰击。”。

他描述了环绕等离子体的成分，撞击并改变了挡土墙的成分，重原子从撞击的壁上脱落并改变了等离子体。在和太阳一样热的温度下，反应在纳秒内发生。试图通过反复试验来修改组件来改善结果是非常困难的。

另一方面，机器学习算法使用计算机生成的数据，而无需从实验中直接测量，并且可以产生最终可用于使等离子体与安全壳壁材料相互作用的破坏性更小的信息，从而提高聚变反应堆的整体能量输出。

汤普森说：“没有其他方法可以获得这些信息。”

少量的原子预示着许多原子的能量

汤普森的研究小组预计，通过使用极端条件下量子力学计算的大数据集作为训练数据，他们可以建立一个机器学习模型，预测任何原子构型的能量。

这个被称为机器学习原子间势（MLIAP）的模型，可以被插入到巨大的经典分子动力学代码中，比如Sandia获奖的LAMMPS，或者大规模原子/分子大规模并行模拟器软件。通过这种方式，通过只询问相对较少的原子，他们可以将量子力学的精确性扩展到数百万个原子的规模，以模拟聚变能材料的行为。

“那么，为什么我们要做的是机器学习，而不仅仅是簿记大量数据？”汤普森反问简单的回答是，我们从一组无限可能的变量中生成方程，以建立以物理为基础的模型，但包含数百或数千个参数，这些参数使我们在目标范围内。”

汤普森说，一个问题是，MLIAP模型的准确性取决于训练数据和应用程序遇到的实际原子环境之间的重叠。

这些环境可能是多种多样的，需要新的训练数据和改变机器学习模型。识别和调整重叠是未来几年工作的一部分。

“我们的模型最初将用于解释小实验，”汤普森说，这些实验数据将被用来验证我们的模型，然后可以用来预测全尺寸聚变反应堆中发生的事情。”

汤普森说，让核聚变研究人员使用Sandia机器学习模型来建造更好的聚变反应堆的目标大约是三年。