其他行业 · AI应用
利用深度学习加速聚变能源研究
普林斯顿大学的研究人员开发了基于深度学习的Fusion Recurrent Neural Network (FRNN)预测代码，用于预测托卡马克聚变反应堆中的等离子体破裂，从而推动清洁能源发展。通过扩展到200块NVIDIA Tesla P100 GPU，并利用欧洲联合环（JET）的数据，他们将破裂预测准确率提升至90%，误报率低于5%，这对于安全运行ITER等聚变反应堆至关重要。
破裂预测准确率
90%
来源披露
误报率
<5%
来源披露
01
业务背景
普林斯顿大学的研究人员开发了基于深度学习的Fusion Recurrent Neural Network (FRNN)预测代码，用于预测托卡马克聚变反应堆中的等离子体破裂，从而推动清洁能源发展。通过扩展到200块NVIDIA Tesla P100 GPU，并利用欧洲联合环（JET）的数据，他们将破裂预测准确率提升至90%，误报率低于5%，这对于安全运行ITER等聚变反应堆至关重要。
02
遇到的问题
托卡马克聚变反应堆中的等离子体破裂事件会导致等离子体逃逸约束，对价值数十亿美元的装置造成严重损坏，必须高精度预测并及时避免破裂，才能实现ITER等可持续聚变能源的安全运行。
03
AI 解决方案
研究人员开发了融合循环神经网络FRNN预测代码，使用深度学习方法，将模型扩展到200块NVIDIA Tesla P100 GPU上，基于欧洲联合环JET实验的历史零维诊断数据训练模型，预测等离子体破裂的发生，实现提前至少30毫秒的预警，从而能够采取行动避免或减轻损坏。
04
实施结果
破裂预测准确率：90%（提升5个百分点）
误报率：<5%（保持在5%以下）
05
风险与边界
未披露
“Deep learning predictive capability powered by NVIDIA’s advanced GPU’s is helping accelerate progress toward making this vision a reality in our lifetime.”
Prof. William Tang · Princeton University’s Program in Plasma Physics and the Princeton Plasma Physics Laboratory
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。