Nature发布文章：普林斯顿团队研发AI控制器，提前预测聚变中等离子体「撕裂」300毫秒

编辑 | 紫罗

核聚变被誉为人造太阳，其运行原理与太阳和其他恒星提供动力的过程类似，被认为是清洁能源的理想选择。

科学家们成功实现并维持核聚变能只有短短几秒钟，这是由于在这一高度复杂的过程中存在不稳定性等许多障碍。

实现聚变能的方法有多种，其中使用氢的变种作为输入燃料是最常见的。在托卡马克（一种称为“甜甜圈形”的机器）中，通过将温度升至极高水平来产生等离子体，这是一种类似于汤的物质状态。

但等离子体需要受到控制，而且极易「撕裂」，并逃离机器设计用来控制等离子体的强大磁场。

普林斯顿大学和普林斯顿等离子体物理实验室的研究人员最近宣布，他们已经成功开发出一种利用人工智能技术来预测核聚变过程中可能出现的不稳定情况，并能够实时采取措施来阻止其发生的方法。这一创新性的方法为核聚变能的研究和应用带来了新的希望和机遇。通过结合物理原理和人工智能算法，科学家们能够更加准确地识

研究人员使用之前开发的多模态动态模型来训练强化学习人工智能，以推动自动化的不稳定性预防。

该团队在圣地亚哥的DIII-D国家聚变设施进行了实验，他们的发现表明他们的人工智能控制器可以提前300毫秒预测可能发生的等离子体撕裂。在没有这种干预的情况下，聚变反应可能会突然终止。

普林斯顿大学的发言人表示，这些实验为解决广泛的等离子体不稳定性问题奠定了基础，长期以来，这些不稳定性一直是聚变能发展的障碍。

普林斯顿大学机械与航空航天工程教授、该研究的作者之一 Egemen Kolemen 指出，这些发现对核聚变技术的发展具有重要意义，将推动核聚变领域的进一步探索。

Kolemen 表示：「这是最大的障碍之一——中断——你希望任何反应堆都能全天候（24/7）运行多年，不会出现任何问题。这些类型的中断和不稳定会带来很大的问题，因此开发这样的解决方案增强了他们的信心，让他们相信我们可以毫无问题地运行这些机器。」

相关研究以《Avoiding fusion plasma tearing instability with deep reinforcement learning》为题，于 2024 年 2 月 21 日发布在《Nature》上。

聚变能：清洁能源的圣杯

聚变能是为太阳和其他恒星提供动力的过程，几十年来专家们一直在努力在地球上掌握它。当两个通常相互排斥的原子被迫融合在一起时，就会实现这一点。它与当今广泛使用的核裂变相反，核裂变依赖于原子分裂。

本月早些时候，英国牛津市附近的科学家和工程师创造了新的核聚变能量记录，仅使用 0.2 毫克燃料即可维持 69 兆焦耳的聚变能量 5 秒。这足以为大约 1.2 万户家庭提供相同时间的电力。这刷新了核聚变能源纪录，使这种清洁、未来的能源离现实又近了一步。

但该实验输入的能量仍然多于产生的能量。然而，加利福尼亚州的另一个团队在 2022 年 12 月成功地通过称为「点火」的过程产生了净量的聚变能。此后他们已经重复点火了三次。

尽管取得了令人鼓舞的进展，但聚变能源距离商业化还有很长的路要走，远远超出了为避免气候危机恶化而需要深入、持续地减少地球变暖污染的时间。

AI 防撕裂系统

普林斯顿大学团队开发了一种人工智能控制器，可以根据观察到的等离子体轮廓自适应地控制执行器，在保持低撕裂性的同时追求高等离子体压力。该防撕裂系统的整体架构如下图所示。

基于人工智能的撕裂避免系统主动控制光束功率和等离子体三角度，以将未来撕裂不稳定发生的可能性保持在较低水平。这使得在 DIII-D 中的 low-q95 和低扭矩条件下将撕裂性保持在阈值以下。

此外，控制器不仅在 ITER 基线条件等特定实验条件下，而且在其他操作环境甚至意外情况下，都证明了能够稳健地避免撕裂不稳定性。

研究人员表示，该研究是使用强化学习避免撕裂的概念验证研究，仍处于微调的早期阶段。对于更有用的应用，还需要进一步的实验和微调。

尽管如此，该研究证明了强化学习可以应用于核心等离子体物理的实时控制。

这次演示是融合领域机器学习能力的成功扩展，为未来托卡马克装置中高性能运行场景的集成控制开发提供了见解和途径，超越了单一的不稳定性控制。

该研究开发的撕裂避免控制还有进一步的潜在应用。