以下内容来源于：核聚变与等离子体物理公众号
近日，西物院中国环流三号智能控制团队在等离子体破裂预警领域突破了一项关键技术，他们提出了“参数预演神经网络”的架构，在闭环验证中取得95.5%的预测成功率，大幅提升了破裂预测算法在低参数区间训练，进而在高参数区间部署应用时的算法表现，为未来大型聚变装置的破裂防护问题提供了一条极具潜力的解决思路。
一、背景
等离子体大破裂是一种聚变装置运行过程中可能出现的不稳定现象，它可能由控制策略的失效、磁流体不稳定性的增长、杂质的积累等复杂的因素引发，会导致等离子体电流、储能在毫秒级的时间内损失，给装置产生巨大的热负荷和应力冲击。国际上应用人工智能方法预警破裂风险，已经取得了长足的进展，但人工智能算法对于“分布外数据”表现不佳也是所有研究者的共识。对于未来聚变堆来说，在破裂预测算法没有得到充分验证前，装置不能冒着风险在高参数区间运行，而没有高参数区间的数据，又无法构建可靠的预测算法，整个研究陷入了“先有鸡还是先有蛋”的困境。
二、技术基础
参数预演神经网络的算法架构如下图所示，算法将破裂预测的逻辑拆解为两个阶段：
- 第一个阶段构造数据驱动的密度和位形演化预测模块，根据当前的等离子体状态和计划的控制手段预估未来的密度和位形演化曲线；
- 第二个阶段将预测的密度、位形和实际的密度、位形将与其他破裂相关信号一同输入到破裂预测模块，计算破裂的发生概率。
当等离子体发生从低参数到高参数区间的切换时，破裂的诱发原因将会出现大幅的变化，但“参数演化不符合预期就更容易破裂”的逻辑则保持不变，这种两阶段的设计将破裂预测的逻辑切换到不变的规律上，从而实现跨参数区间应用效果的提升。
三、关键突破
研究团队将中国环流三号（HL-3）托卡马克的数据按照等离子体电流、环向磁场、安全因子、储能、比压进行了切分，在低参数等离子体放电数据（1号数据集）上训练算法，并逐个测试模型在高参数数据（2~4）号数据集上的表现，发现参数预演神经网络（红色柱）的性能明显由于传统的破裂预测方案（蓝色柱）。
四、闭环实验
基于这一技术方案，团队在早期HL-3实验数据的基础上构建了破裂预测算法，并将其应用于高比压实验期间的破裂预警，触发大量气体注入（MGI）系统以减缓破裂危害，在闭环实验验证中取得了95.5%的成功率。
五、未来展望
围绕参数预演神经网络，项目团队计划构思一种“阶梯式参数抬升+智能破裂预警”的解决方案，让未来聚变堆可以在极低的风险成本下完成向高参数区间的探索运行，为聚变能源的商用化打下坚实基础。
参考文献：
Zongyu Yang, Wulyu Zhong, Fan Xia, et al. Implementing deep learning-based disruption prediction in a drifting data environment of new tokamak: HL-3. Nuclear Fusion, 65, 026030 (2025).
Zongyu Yang, Wulyu Zhong, Jiyuan Li, et al. Augmenting the extrapolation capability of disruption prediction to extended parameter regimes by predict-first neural network. 30th IAEA Fusion Energy Conference, Chengdu, China, TH-S:3178 (2025)
团队介绍：
西物院中国环流三号智能控制团队是一支由“95后”组成的青年科学家队伍，团队聚焦等离子体破裂预测、数据驱动仿真、强化学习控制、聚变领域基座模型四个核心方向，用人工智能方法攻克聚变装置控制运行层面的痛点、难点问题。团队目前发表AI+核聚变交叉领域论文二十余篇，包括Communications Physics、Nuclear Fusion等聚变领域的顶级期刊论文，曾获国务院国资委评选的首批“中央企业人工智能战略性高价值应用场景”、四川省六大产业青年立功竞赛一等奖等荣誉。