机器学习驱动的图像合成和分析应用程序用于惯性限制融合 (受邀)

科学领域:

• 核聚变科学 核聚变科学
• 数据科学和机器学习
• 高能物理 高能物理

背景情况:

• 最近在国家点火设施 (NIF) 的核聚变破盘突显了对先进数据分析技术的需求.
• 使用深度神经网络的多模式数据融合为复杂的实验数据集提供了统一的框架.
• 分析小型实验数据集的挑战需要创新的数据增强和分析方法.

研究的目的:

• 总结神经网络方法来处理来自NIF实验的X射线和中子成像数据.
• 展示深度学习在核聚变研究中的应用,用于自动化数据分析,优化和不确定性量化.
• 探索这些方法在增强惯性封闭融合 (ICF) 数据分析方面的潜力.

主要方法:

• 实现深度神经网络,用于多模式数据融合和自动化分析.
• 利用基于模型的物理信息合成数据生成来增强小型实验数据集.
• 在X射线和中子图像处理中的自动化工作流程中使用生成对抗网络 (GAN).

主要成果:

• 成功地应用神经网络来模拟噪声,进行轮分析,消除噪声和超分辨率的成像数据.
• 在补偿有限的实验数据方面,基于物理的数据生成的证明有效性.
• 核实融合诊断中X射线和中子图像处理的自动化工作流程.

结论:

• 使用深度神经网络的综合多模式成像分析对于优化NIF实验至关重要.
• 这些先进的数据分析技术对于其他惯性封闭融合平台的成熟至关重要,包括双目标.
• 进一步研究实验验证和不确定性量化将加速核聚变能源发展的进展.