使用多个异质数据源进行的神经网络与惯性限制融合爆发的3D重建
J H Kunimune1, D T Casey2, B Kustowski2
1Plasma Science and Fusion Center, Massachusetts Institute of Technology, 167 Albany St., Cambridge, Massachesetts 02139, USA.
The Review of scientific instruments
|July 3, 2024
概括
一种新的机器学习技术结合了来自多种诊断的数据,以重建惯性封闭融合爆发中的3D不对称性. 这种方法提高了热点形状的精度,这对于了解国家点火设施的核聚变性能至关重要.
科学领域:
- 等离子体物理学的物理学
- 核聚变是一种核聚变.
- 机器学习 机器学习
背景情况:
- 3D不对称性显著降低了国家点火设施 (NIF) 的惯性封闭融合爆破.
- 现有的中子成像系统 (NIS) 由于视线不足,提供有限的3D重建.
- 其他诊断,如实时中子激活诊断 (RTNAD) 和中子飞行时间 (nToF) 提供了补充数据.
研究的目的:
- 开发一种基于机器学习的新技术,用于3D重建聚变爆裂不对称性.
- 通过整合异质数据源来克服来自个人诊断的稀疏数据的局限性.
- 为了提高诊断和理解NIF冲击中的3D不对称性的准确性.
主要方法:
- 一种机器学习方法,使用物理模型和神经网络将3D形态映射到诊断数据中.
- 整合来自中子成像系统 (NIS),实时中子激活诊断 (RTNAD) 和中子飞行时间 (nToF) 的数据.
- 利用合成初级中子图像和热点速度向量进行原则证明重建.
主要成果:
- 通过使用综合合成数据成功重建了热点形状不对称性.
- 在90%的测试案例中,在球形系数半径的±4%内实现了重建精度.
- 证明了机器学习技术处理多种异质数据类型的能力.
结论:
- 通过机器学习将NIS,RTNAD和nToF的数据结合起来,为错误的3D重建问题提供了一个有希望的解决方案.
- 开发的技术可以准确地诊断3D不对称性,提高我们对核聚变爆裂物理学的理解.
- 未来对真实NIF数据的应用将为融合性能和降解机制提供关键见解.
