在聚变实验中，了解等离子体的行为，尤其是离子温度和旋转速度至关重要。这两个参数对等离子体的稳定性和性能起着至关重要的作用，对于推进聚变技术至关重要。然而，快速准确地测量这些值一直是以最佳水平运行聚变反应堆的一项重大技术挑战。

中国科学院合肥物质科学研究院吕波研究员带领的研究团队，最近将神经网络应用于X射线晶体光谱(XCS)，以快速推断实验先进超导托卡马克(EAST)聚变装置中的离子温度和旋转速度分布。他们的研究成果发表在《核聚变》杂志上。

我们创建了两种类型的模型：深度神经网络 (DNN) 和卷积神经网络 (CNN)，它们都能够进行实时计算。验证测试证实，它们的预测与实际数据非常吻合。

这项研究的主要成果之一是 DNN 显著提高了速度。它比传统方法快 10 倍以上，可在不影响准确性的情况下快速提供结果。它展示了自动评估输入数据的范围和错误的可能性，为未来更智能的诊断系统铺平了道路。

CNN 模型成功预测了线积分旋转速度分布和局部径向离子温度分布，进一步证明了其可靠性。该模型可以适用于当前研究之外的各种诊断系统，因此在聚变研究中具有更广泛的应用价值。

研究团队表示，这项研究提高了预测聚变装置中离子温度和旋转速度分布的准确性和速度，同时为更广泛的聚变应用提供了适应性强的自动化解决方案。