8月13日，一项由Commonwealth Fusion Systems（CFS）、普林斯顿等离子体物理实验室（PPPL）及橡树岭国家实验室（ORNL）三方联合开展的公私合作研究取得突破：利用最新研发的人工智能模型HEAT-ML大幅加速 “磁阴影”（Magnetic Shadows）的计算过程，从而为核聚变装置的安全防护与高效设计提供了关键技术支撑。
一、 项目背景
实现核聚变发电的关键挑战在于：保护装置（以托卡马克为例）内部组件不被极端高温等离子体（温度远超太阳核心）熔毁或损坏，否则将导致停机。
所谓 “磁阴影区”，是指托卡马克内部部件表面被其他结构遮挡、免受等离子体直接高温冲击的安全区域，形成类似“阴影”的效果。其位置取决于装置内部构件的几何形状，以及约束等离子体的磁力线与构件的相互作用。
因此，如何能够准确快速地定位这些区域，对避免部件熔化、保障装置持续运行至关重要——一旦面向等离子体的部件受损，可能导致整个核聚变运行中断。
然而，使用传统开源程序HEAT计算这些“磁阴影映射图”极其耗时：它需要追踪海量磁力线并检测它们与复杂3D几何结构的相交情况，一次模拟通常需要
约30分钟甚至更长
，这也成为优化设计和实时运行的严重瓶颈。
二、HEAT-ML加速工具
为突破效率这一瓶颈，三方通过公私合作开发出革命性工具HEAT-ML。其核心在于利用
深度神经网络（一种强大的人工智能模型）
替代传统的物理计算流程。
研究团队首先使用HEAT（Heat flux Engineering Analysis Toolkit）程序，针对CFS正在建造的SPARC托卡马克装置的一个关键高温排气区域（包含底部附近的15块高热量承受瓦片），生成了
约1000个映射图样本
。这些数据被用于训练HEAT-ML的神经网络模型。训练完成后，HEAT-ML能够根据输入的几何和磁场信息，
瞬间预测
出映射图，完全绕过了耗时的磁力线追踪和碰撞检测过程。
计算时间从原来的
约30分钟跃升至毫秒级，实现了数千倍的加速
。
PPPL数字工程主管Michael Churchill指出，这种基于现有代码构建的AI替代模型，不仅加速了结果获取，更在装置控制与场景规划中开辟了新路径。
三、未来前景
目前，HEAT-ML作为HEAT代码的可选模块，仅适用于SPARC的特定排气区域。研究团队的
核心目标
是突破当前限制，将其能力
通用化
，以适用于计算
任何形状尺寸的托卡马克排气系统以及所有面向等离子体部件
的磁阴影映射图。
据悉，这项由公私合作（CFS，PPPL, ORNL）推动的创新研究，其基础HEAT程序由CFS的Tom Looby在PPPL工作期间开发，并得到了美国能源部（合同号DE-AC02-09CH11466, DE-AC05-00OR22725）和CFS的联合支持。
参考链接：
- https://www.miragenews.com/ai-accelerates-fusion-system-shadow-detection-1514252/
- https://www.pppl.gov/news/2025/finding-shadows-fusion-system-faster-ai
- https://conferences.iaea.org/event/392/contributions/36210/attachments/20183/34239/Corona.D-TH-D-Synopsis.pdf