核融合結合 Google 機器學習，兩個月任務縮短至一下午

現在有許多國家正投入核融合競賽中，都希望可以透過這項黑科技帶來低碳、穩定的供電或能源來源，最近美國 TAE Technologies 更結合 Google的「機器學習」知識，將本需兩個月的任務縮減到幾小時，加速研究進展。

核融合研究漫長又複雜，為了在地球上打造一個能與恆星媲美的能量設備、在高溫與高壓下將氫原子等較輕原子經過融合反應成為較重的原子核，科學家可以說是煞費苦心。

其中 TAE 於 1998 年成立，獲得已故微軟共同創辦人艾倫（Paul Allen）、美國石油大王洛克斐勒家族與高盛集團贊助，目前已經募得超過 8.8 億美元，該技術有別於外觀像甜甜圈的托卡馬克核融合技術，TAE 核融合設備外觀是 30 公尺的圓柱體 C2W「Norman（諾曼）」。

核融合需要精準的微調系統才能控制上千萬度的電漿，TAE 執行長 Michl Binderbauer 表示，與其他核融合技術將比，TAE 設計具有顯著優勢。目前更透過 Google 的機器學習專業來最佳化 TAE 的核融合設備，通常更新相關硬體設備後，還需要長達兩個月的時間進行最佳化與調整性能，「但透過機器學習，我們可以在不到一個下午完成」。

Binderbauer 解釋，機器學習還可以應用在「重現」核融合反應，或是彙總多條資料。這是一項運算密集型挑戰，過去鮮少人嘗試，「與 Google 合作也可以縮短公司的長程目標一年，我們希望可以在 2030 年展開商業核融合測試」。

TAE 的核融合技術跟國際熱核融合實驗反應爐（ITER）的托卡馬克不太一樣，ITER 使用由氘和氚（音同刀與穿）組成的燃料，最終會產生攝氏數千萬度的核融合能量，只是氚具有放射性，反應爐內部設備也會因此受損、供應量也有限；諾曼則是利用「常規的」氫和氘燃料，可以說是更溫和、但效力較低的選擇，未來則希望能改用氫硼燃料，不會產生中子也因此幾乎沒有放射性，更容易維運設備，只是需要提高溫度。

目前諾曼的運行溫度為攝氏 7,000 萬度，但若使用氫硼燃料需要將溫度增高 20~30 倍，達到數十億度，對此 Binderbauer 樂觀看待。