可控核聚变新里程碑！AI成功预测等离子体撕裂登Nature清洁能源「圣杯」更近一步

  而最近，普林斯顿团队用AI提前300毫秒预测了核聚变等离子不稳定态，这一段时间，就足够约束磁场调整应对等离子体的逃逸！

  从此，科学家可以有效的预防可控核聚变的中断，产生足够能量所需的高功率聚变反应，也就更有可能了。

  因为人类社会未来面临的能源枯竭问题，很可能会被可控核聚变解决。它有望为咱们提供无穷无尽的清洁能源，甚至彻底改变我们应对气候危机的方式。

  聚变发生在两个原子——通常是轻原子，如氢——合并成一个更重的原子的过程中，释放出巨大的能量。

  这个过程是太阳的能量来源，也间接支撑了地球上的生命。然而，让两个原子实现融合十分艰难，因需要极大的压力和能量，才能来克服它们之间的相互排斥力。

  太阳之所以能实现聚变反应，靠的是它巨大的引力和核心处的极高压力。而为了在地球上模拟这一过程，科学家们采用了极度炽热的等离子体和强大的磁场。

  在托卡马克（外形像甜甜圈）中，磁场会努力控制温度超过1亿摄氏度的等离子体，这比太阳中心的温度还要高

  然而，核聚变过程中，专家们常常只能实现短暂的聚变能量维持，过程中存在诸多不稳定性。

  这是因为，在实现可核聚变能的过程中，最关键的步骤之一，就是输入氢变体燃料，在托卡马克中将其升温，产生类似于「汤」的等离子体。

  幸运的是，最近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在Nature上报告，他们发现了一种方法，可通过AI预测这种潜在的不稳定性，并且实时防止实验中断。

  研究人员利用AI预测并避免了撕裂不稳定性的形成（左图），这种不稳定性可能会迅速导致等离子体破坏和聚变反应终止

  普林斯顿大学的机械与航空航天工程系教授、研究报告作者之一的Egemen Kolemen为我们解释了，为什么这项发现如此意义重大。

  中断和不稳定性，是可控核聚变的重大障碍之一，我们都希望任何反应堆都能持续稳定运行多年。现在开发出这样的解决方案，大大增强了我们的信心，现在我们有可能无故障地运行这些装置了。

  研究人员展示的模型显示，它可以仅通过一系列分析过去的实验数据，而非依赖物理模型，就能预测出「撕裂模式不稳定性」（也即潜在的等离子体不稳定性）。

  对人类来说，最近一段时间可能仅仅是眨一次眼，但对于AI控制器来说，就已经足以让它调整操作参数，避免等离子体磁场的内部撕裂，从而维持其稳定状态，防止反应提前结束。

  在这个过程中，AI成功地实时在真实反应器中，实现了一个稳定、高能量等离子体状态的控制策略。

  论文一作、韩国中央大学物理学助理教授Jaemin Seo解释说：「以往的研究通常专注于在等离子体中出现这些撕裂不稳定性后，抑制或减轻其影响。但我们的方法能够在它们形成之前就预测到，并且避免这一些不稳定性。」

  研究人员会想到AI，也是因为，撕裂模式不稳定性发生得实在太突然、太快了！

  在论文合著者Azarakhsh Jalalvand看来，教AI算法控制托卡马克中的聚变反应，就像教人开飞机一样。

  你不仅要给AI钥匙，让它自己摸索，还要让它在复杂的飞行模拟器中反复练习，直到掌握了足够的技能。

  因此，普林斯顿团队采用了DIII-D托卡马克过去实验的数据，构建了一个深度神经网络，这个网络可以依据实时的等离子体特征，预测未来撕裂模式不稳定性的发生概率。

  这个算法就像一个正在学习的飞行员，通过在模拟环境中的试错，学习控制等离子体的各种策略，找出哪些是有效的，哪些是无效的。

  Jalalvand解释说，他们并没有向强化学习模型传授聚变反应的复杂物理知识，而是告诉它：你的目标是维持高功率反应、避免撕裂模式不稳定性，并指出能调整的参数。

  在无数次的模拟聚变实验中，模型尝试寻找方法来维持高功率水平，同时避免不稳定性。

  随着时间的推移，算法自己就学会了在避免不稳定性的同时，达到高功率反应的最优路径！

  合著者SangKyeun Kim说：「我们能看到模型的意图背后的逻辑。有时模型想要的改变太快了，我们就需要让模型的行为更平滑、更稳定。作为人类，我们应该在AI的意图和托卡马克的实际容忍度之间，找到一个平衡。」

  当研究人员对AI控制器的能力有了足够信心后，他们就在D-III D托卡马克的实际聚变实验中进行了测试，观察控制器如何实时调整特定参数来避免不稳定性的发生，包括改变等离子体形状和输入反应的束流强度。

  这样，研究人员就不再被动，不需要等到等离子体失控已发生后，再采取一定的措施了。

  根据论文的介绍，研究人员设计的AI控制器，可以依据监测到的等离子体状态自动调节控制器的工作，从而在确保等离子体稳定性的同时，尽可能提升其压力。

  图1a和1b：实验中的一个典型等离子体样本，以及研究所选用的诊断工具和控制设备。其中，在q = 2磁通面上，可能会发生2/1模式撕裂不稳定现象。

  图1d：基于DNN的AI控制器可以依据经过训练的策略，决定整体束流功率和等离子体形状的高级控制命令。等离子体控制管理系统（PCS）则负责计算磁线圈的控制信号和各个束流的功率，确保既满足AI控制器设定的高级控制需求，也遵守用户设定的限制条件。

  为了高效产生聚变能源，重点是保持等离子体的高压力，同时避免引发可能会引起设备突然停止运行的不稳定现象。

  然而，当通过中性束等方式加热等离子体以提高其压力时，就会遇到一个阈值（图2a中的黑线）。

  超过这个阈值，等离子体就会出现撕裂不稳定现象，这可能很快导致等离子体破裂（图2b和2c）。

  值得注意的是，这个稳定性阈值会随着等离子体状态的变化而变化，而且在某些情况下，降低压力也可能引发不稳定现象。

  正如图2中的蓝线所示，通过根据等离子体的状态调整控制器的工作，就可以在不引发不稳定现象的前提下，追求更高的等离子体压力。

  实际上，我们大家可以把它理解成一个「避障问题」，其中的障碍物便是迫使实验终止的风险因素。

  具体到核聚变本身，就是控制托卡马克装置，使等离子体沿着一个既保持高压力又不超出稳定极限的狭窄路径运行。

  为了实现这一目标，研究人员通过强化学习方法训练了一个Actor模型，设计了一个奖励函数R来衡量等离子体在可接受的撕裂风险下能达到多高的压力。

  这里的β_N代表等离子体压力的归一化值，T表示撕裂风险，而k则是人为设定的一个安全阈值。更具体的，β_N和T是AI控制器采取行动后25毫秒的预测结果。

  根据这一预测，如果撕裂风险低于我们设定的阈值，Actor模型将根据等离子体的压力获得正向奖励；反之，则获得负向奖励。

  为了根据方程（1）获得更高的奖励，Actor第一步是要通过其控制动作来提升β_N的值。

  但是，β_N的增加有几率会使等离子体变得不稳定，并最终使得撕裂指标（T）超过安全阈值（k），这会导致奖励减少。特别地，当T超出k时，奖励会急剧减少。

  因此，控制智能体会第一先考虑保持T在安全阈值k以下，而不是单纯追求提高β_N。

  通过充分的强化学习训练，Actor最终能够找到一种平衡策略，既能追求等离子体的高压力，又能确保撕裂指标保持在安全范围内。

  这种策略允许托卡马克在放电过程中沿着一个精确规划的路径运行，如图2d所示。

  由于撕裂的发生在很大程度上取决于其空间信息和梯度，因此观测变量被设定为以磁通坐标映射的一维动力学和磁性剖面。

  具体来说，观测的是电子密度、电子温度、离子旋转、安全系数和等离子体压力的曲线b中的黑线展示了一个因撕裂不稳定而导致的等离子体中断的例子。

  图3b中的蓝线，是在AI控制下的束流功率和等离子体的形状。图3c和图3d分别展示了具体控制过程中，等离子体形状和束流功率的调整情况。

  这次放电期间，AI控制器根据等离子体的实时数据，制定出束流功率和形状的调整指令，由等离子体控制管理系统（PCS）转化为具体的操作，如调整磁线圈电流和精确控制八束束流的功率。

  图3e中的蓝线，是对AI控制放电的后续估计。能够正常的看到，整一个完整的过程中撕裂倾向被有效控制在预定阈值以下，全部符合预期。

  这次实验不仅证明了相比传统操控方法，AI控制能够更有效降低撕裂风险，还展示了其在整体性能上相比参考实验的提升，体现了AI适应性控制的优势。

  其中，当阈值设为0.5和0.7时，等离子体能够稳定持续，直到实验结束都没再次出现破坏性的不稳定现象。

  图4b至4d展示了三次实验后分析得到的撕裂倾向情况。图中的背景色显示了在每个时间点不同束流功率下的预测撕裂倾向，实际使用的束流功率则由黑线标出，虚线表示不同阈值下的撕裂倾向等级。

  图4b的分析显示，撕裂预测模型能在不稳定发生前300毫秒预警，控制器也试图进一步减少束流功率。

  在图4c中，设置了k = 0.5的AI控制器通过提前采取一定的措施，主动避免触及阈值，以应对不稳定性的警告。

  由于奖励机制是根据控制器行动后25毫秒的撕裂倾向来计算的，所以经过训练的控制器会在警告发生前的数十毫秒采取行动。

  研究人员指出，虽然这项工作成功证明了AI在有效控制聚变反应方面的潜力，但这只是推动聚变研究领域的第一步。

  「我们有充分的证据显示这个控制器在DIII-D上表现出色，但我们应该更多数据来证明它能够应对多种不同的情况，」一作Seo表示。「我们的目标是开发出更具通用性的解决方案。」

  在开发更优秀的AI控制器以控制聚变反应的过程中，研究人员们还可能对等离子体底层物理有了更深入的理解。

  通过分析AI控制器在维持等离子体稳定时所作出的决策，不难发现它们往往与传统方法大相径庭。

  这表明，AI不仅仅可以成为控制核聚变反应的有效工具，还能作为一种新的教学资源，让我们从不同角度理解和探索聚变科学。

  目前，他的研究重点转向了在DIII-D项目中探索撕裂模式的预测与控制技术。

  此外，Jaemin还在研究一种快速的神经网络模型，旨在实时重建等离子体的动力学平衡状态，这对于提高控制算法的效率和精确度具备极其重大意义。

  Kolemen教授的研究致力于将工程技术与物理分析相结合，旨在开发经济效益高的聚变反应堆。目前，他正带领团队在KSTAR、NSTX-U 和 DIII-D项目中进行机器学习、实时监测与控制方面的研究。

  风险提示及免责条款市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务情况或需要。用户应考虑本文中的任何意见、观点或结论是不是满足其特定状况。据此投资，责任自负。