2024年6月12日 PPPL发布一篇名为“人工智能提升等离子体性能与稳定性”的文章。以下为文章内容：
（插图来源：Bumper DeJesus / Andlinger Center for Energy and the Environment）
实现持续的聚变反应是一项需要精细调控的技艺，它依赖于众多活动的部件协同工作，以维持一个密度足够、温度足够，并且能够长时间保持稳定状态的等离子体，这是实现聚变反应的关键。
尽管研究人员在提升等离子体性能方面取得了连续的进步，但他们也面临着新的挑战，尤其是那些发生在高温等离子体边缘的能量粒子逃逸现象。这些边缘局域的等离子体不稳定性，如边缘局域模（Edge Localized Modes, ELMs）爆发，不仅降低了聚变反应的总体效率，而且随着时间的推移，可能对聚变反应堆中的等离子体面对材料（Plasma-Facing Components, PFCs）造成累积损伤。
目前，由普林斯顿大学和美国能源部下属的普林斯顿等离子体物理实验室（PPPL）的工程师们主导的聚变研究团队，已经成功地应用了人工智能学习技术来有效控制这些边缘不稳定性，同时确保等离子体的性能不受影响。
该团队所采用的方法能够实时优化控制策略，在两个具有不同操作参数的聚变实验平台上，成功实现了无边缘爆发干扰下的聚变性能新突破。研究人员在5月11日发表于《自然通讯》的研究成果中，强调了机器学习及其他人工智能系统在迅速平息等离子体不稳定性方面的巨大潜力，并指出这些技术在未来聚变研究中的关键作用。
“我们的方法不仅展示了平息等离子体不稳定性的同时保持高性能的可行性，而且这一成果在两个不同的实验设施上都得到了验证，” Egemen Kolemen，作为机械与航空工程的副教授及安德林格能源与环境中心的研究员，强调说：“这表明我们的方法不仅效果显著，而且具有很好的通用性。”
高约束运行的成本
长期以来，科学家们一直在探索不同的聚变反应堆运行方式，以实现聚变所需的理想条件。其中，最具潜力的方法之一是采用高约束模式运行反应堆，这一模式通过在等离子体边缘形成明显的梯度压力，实现了对等离子体更有效的约束。
DIII-D托卡马克中的3D场线圈和边缘能量爆发示意图。颜色轮廓显示了由线圈形成的典型 3D 场振幅。（图片来源：Nature Communications）
高约束模式虽然在聚变反应堆的运行中显示出巨大的潜力，但它也带来了等离子体边缘不稳定性的问题，这一直是聚变研究者需要解决的难题。为了应对这一挑战，研究者们研究出了新的方法。
一种常用的方法是利用聚变反应堆周围的磁场线圈，对等离子体边缘施加磁场，以打乱可能演变成严重边缘不稳定性的结构。然而，这种方法存在缺陷：尽管能够有效稳定等离子体，但同时也会牺牲掉一部分性能。
Koleman指出：“我们虽然能够控制这些不稳定性，但代价是性能上的损失，而性能又是我们最初选择高约束模式的主要驱动力。”
性能的损失部分是由于优化施加的磁扰动形状和幅度存在挑战，这背后是现有基于物理的优化方法的高计算需求。传统的优化方法涉及一系列复杂的方程，优化一个时间点可能需要数十秒 —— 这对于等离子体行为可能在毫秒级变化的情况来说，显然不够理想。因此，聚变研究者不得不在每次聚变实验前预先设定磁扰动的形状和幅度，失去了根据实时情况调整的能力。
PPPL 的研究员和 Kolemen 团队的前博士后研究员 SangKyeun Kim 说：“过去，所有设置都必须预先编程。这种限制使得真正优化系统变得困难，因为它意味着参数不能根据等离子体条件的实时变化而进行调整。”
提高性能，缩短计算时间
普林斯顿团队通过AI学习技术显著提升了性能，将原本需要数十秒的计算时间缩短至毫秒级，这为实时优化提供了可能。这种AI学习模型作为现有物理模型的高效替代，能够实时监控等离子体状态，并根据实时数据调整磁场扰动的幅度和形状。这样的智能调控使得系统能够在抑制边缘爆发的同时，保持聚变反应的高性能，实现了两者之间的最佳平衡，无需做出任何性能上的妥协。
KSTAR中集成RMP优化方案的示意图，使用ML替代模型（ML-3D）和3D线圈变量（图片来源：《自然通讯》）
PPPL的博士后研究员Ricardo Shousha解释说："通过我们的AI学习替代模型，我们实现了代码计算时间的大幅度缩减。"
研究团队指出，他们的方法因为根植于物理学原理，所以将其应用于全球各地不同的聚变装置将会是水到渠成的事情。例如，在论文中，他们展示了在韩国的KSTAR托卡马克装置和美国圣地亚哥的DIII-D托卡马克装置上，他们的方法都取得了成功。这两个设施各自拥有独特的磁场线圈配置，而他们的方法在这些设施上都实现了强大的等离子体约束和高效的聚变性能，同时避免了边缘等离子体爆发带来的损害。
Shousha说："一些机器学习方法因纯粹基于数据驱动而受到质疑，意指它们的效能完全取决于训练数据的质量，但我们的模型是作为物理模型的替代，由于物理定律普遍适用，因此将我们的模型推广到其他场景要容易得多。"
该团队目前正在努力优化他们的模型，以便与其他聚变装置（包括正在建设中的反应堆，如ITER）兼容。
Koleman团队正在积极开展的工作是提升模型的预测能力。例如，当前的模型在优化过程中仍需经历几次边缘爆发后才能高效运作，这对未来的聚变反应堆构成了潜在风险。如果研究人员能够提升模型识别这些有害不稳定性前兆的能力，就有可能在完全不触发边缘爆发的情况下实现系统的优化。
Koleman认为，目前的研究工作再次证明了人工智能在解决聚变能源开发中的长期难题方面的巨大潜力。在此之前，Koleman领导的研究人员已经成功地运用一个独立的AI控制器，在DIII-D托卡马克装置上实时预测并规避了另一种等离子体不稳定性。
"面对聚变领域我们遇到的许多挑战，我们已经知道解决方案的方向，但往往由于我们传统工具的计算复杂性而在实施上受限，"Koleman说。"这些AI学习技术为我们提供了应对这些众所周知的聚变挑战的新途径。"