近日，科学家们在核聚变研究领域取得重要突破，开发了一种基于深度学习的新方法，该方法能够将核聚变的等离子体预测效率提高1000倍。这一创新成果由韩国科学技术研究院(UNIST)核工程系的研究人员联合完成，相关研究成果已发表在《计算物理学杂志》上。

据悉，该方法通过加速聚变等离子体非线性福克-普朗克-朗道(FPL)碰撞算子的计算，实现了预测效率的大幅提升。FPL方程是预测带电粒子之间库仑碰撞的重要数学框架之一，传统上解决这一方程需要采用迭代方法，耗费大量的计算时间和资源。

联合研究团队表示，他们利用GPU上的深度学习技术，成功地将计算时间缩短了1000倍。这一进步不仅代表了数字孪生技术的基石，还使整个核聚变反应堆的湍流分析成为可能，或者在虚拟计算环境中复制真实的托卡马克装置，这对于核聚变研究具有重要意义。

研究人员强调，他们提出的FPL-net可以一步解决FPL方程，结果比以前的方法快1000倍，同时误差幅度仅为十万分之一，表现出卓越的准确性。FPL-net是一种基于深度学习的非线性?？?普朗克-朗道碰撞算子，具有紧凑的模型结构，并针对计算速度进行了优化。

为了提高模型精度，研究人员在AI学习过程中加入了保留关键物理量(密度、动量和能量)守恒的函数。这些关键物理量的守恒是FPL碰撞操作的重要特征。此外，FPL-net的有效性还通过热平衡模拟得到了验证。模拟结果显示，如果在连续模拟过程中误差积累，就无法实现准确的热平衡。

值得注意的是，虽然当前的研究重点是电子等离子体，但研究人员指出，需要进一步研究将该模型的应用扩展到含有各种杂质的更复杂的等离子体环境。此外，FPL-net还展示了完整的温度松弛，这是首次由基于深度学习的FPL碰撞算子实现这一目标。使用噪声输入和扩展部署进行的额外实验也验证了该模型的准确性，与传统的有限体积方法相比，该模型的加速率也超过了1000倍。

核聚变反应堆通常被称为人造太阳，它依赖于维持与太阳类似的高温等离子体环境。在这种状态下，物质由带负电的电子和带正电的离子组成。准确预测这些粒子之间的碰撞对于维持稳定的聚变反应至关重要。