10月1日，美国能源部下属普林斯顿等离子体物理实验室（PPPL）在官网刊文，联合普林斯顿大学、韩国中央大学、哥伦比亚大学及首尔国立大学组成的国际研究团队，成功开发了一款多模态机器学习框架——Diag2Diag，成功将核聚变核心诊断技术——汤姆逊散射（Thomson Scattering，TS）的时间分辨率从传统200Hz提升至1MHz。
该项研究不仅突破了硬件设备的物理局限，更首次通过实验观测验证了“共振磁扰动（Resonant Magnetic Perturbations，RMP）通过磁岛形成抑制边缘局域模（Edge-Localized Modes，ELM）”的关键物理机制，为下一代商用核聚变反应堆的稳定运行提供了核心技术支撑。研究成果以论文形式发表在《Nature Communications》上，题目为《Multimodal super-resolution：discovering hidden physics and its application to fusion plasmas》。
一、研究背景：核聚变诊断的“分辨率困境”与ELM控制难题
可控核聚变被视为解决全球能源危机的终极方案之一，其核心是在托卡马克等装置中约束高温等离子体（温度达上亿摄氏度）并维持稳定聚变反应。
然而，等离子体诊断始终面临“时空分辨率难以兼顾”的技术瓶颈：汤姆逊散射（TS）作为测量等离子体电子温度和密度的“金标准”，虽具备高空间分辨率（可捕捉边缘精细结构），但时间分辨率仅200Hz，无法追踪ELM等毫秒级（≤1ms）快速瞬态事件——这类事件会释放强烈热流（可达20MJ/m²），严重侵蚀反应堆壁材料，是ITER等装置实现“无中断运行”的最大障碍。
另一方面，电子回旋辐射（ECE）、CO₂干涉仪等诊断虽能实现MHz级时间分辨率，却受限于空间分辨率或测量原理，无法完整呈现ELM的结构演化与RMP的作用过程。
传统单模态超分辨率技术（如线性插值）依赖目标诊断自身数据，且难以捕捉未被观测到的物理现象。为此，研究团队提出“多模态超分辨率”思路，利用不同诊断间的内在物理关联，突破单一设备的性能局限。
二、核心创新：Diag2Diag框架的“跨诊断协同”设计
Diag2Diag（Diagnostic-to-Diagnostic）的核心逻辑是：基于核聚变等离子体的物理耦合特性（如电磁相互作用、动量平衡方程），通过机器学习挖掘多诊断数据的内在关联，无需目标诊断（如TS）的直接输入，即可生成高保真、高分辨率的合成诊断数据。
其技术路径包含两大关键模块：
1.诊断间物理关联验证，从ECE重建干涉仪数据
团队首先通过卷积神经网络（CNN）验证“跨诊断数据重建”的可行性：以DIII-D托卡马克的40通道ECE谱图（空间分辨的电子温度数据）为输入，重建4通道CO₂干涉仪的线积分密度波动信号。结果显示，合成数据与实测数据的L1损失低至1.2×10⁻³，且能精准保留阿尔芬本征模（AE模）等关键物理特征——通过AE模检测算法验证，F1分数达0.82，证明模型可可靠提取诊断间的物理关联，而非单纯的数值拟合。
2.超分辨率TS（SRTS）生成，1MHz分辨率的突破
针对TS时间分辨率不足的核心问题，团队构建多层感知机（MLP）模型，以5类高分辨率诊断数据为输入：
CO₂干涉仪（1.66MHz，密度）、ECE（500kHz，温度）、磁探针（2MHz，磁场）、电荷交换复合光谱（CER，200Hz，杂质密度）、运动斯塔克效应（MSE，4kHz，磁场位形），并引入ECE与干涉仪的一阶/二阶时间导数以捕捉动态演化。
模型在4000次DIII-D放电数据集（2017-2022年）上训练后，生成的合成TS（SRTS）时间分辨率达1MHz，与实测TS数据的决定系数（R²）高达0.92，且能成功捕捉传统TS因采样间隔错过的ELM事件——在DIII-D放电153761的测试中，SRTS清晰还原了ELM发生时等离子体边缘的密度与温度骤变过程。
三、关键科学发现：首次观测到RMP抑制ELM的“双平坦化”证据
ELM的抑制是商用核聚变反应堆的核心需求，而RMP是当前最具潜力的控制手段，但“RMP如何通过磁岛抑制ELM”的物理机制长期缺乏直接实验证据——传统诊断无法同时观测等离子体台基（pedestal）顶部与底部的温度、密度演化。
Diag2Diag生成的SRTS首次填补了这一空白：磁岛导致的“双平坦化”：当RMP激活时，SRTS观测到台基顶部与底部的电子温度、密度同时出现“梯度平坦化”（即空间分布均匀化），与磁岛理论预测完全一致——磁岛通过增强热与粒子的跨磁力线输运，削弱台基的压力梯度，从而抑制ELM爆发；
q₉₅的调控作用：在DIII-D放电136219中，SRTS捕捉到边缘安全因子（q₉₅）降至3.5-3.6时，台基压力分布显著平坦化，ELM信号消失，验证了“磁岛宽度随q₉₅非线性变化”的理论，为ELM抑制的参数窗口优化提供了直接依据。
此外，团队通过贝叶斯神经网络（BNN）量化模型不确定性，发现SRTS的认知不确定性（模型自身）显著小于TS测量的偶然不确定性（如光子计数噪声、背景扣除误差），证明合成数据的物理可信度。
四、三大核心价值
Diag2Diag的突破不仅解决了核聚变诊断的“硬件瓶颈”，更具备三大核心价值：
降低成本与复杂度：未来商用反应堆可减少诊断硬件数量（如减少TS激光系统），通过AI重建关键数据，降低装置体积与维护成本——例如，DIII-D的80余套诊断可通过该框架精简，同时保障诊断精度；
故障冗余与可靠性：当某一诊断（如TS）故障时，Diag2Diag可实时生成替代数据，确保反应堆24/7无中断运行，这对ITER等长脉冲装置至关重要；
跨领域可迁移性：该框架可推广至激光聚变、粒子加速器、分子动力学等领域，解决“诊断数据稀疏/缺失”的共性问题——例如，用于激光聚变的靶丸压缩过程观测，或分子动力学中的快速反应路径捕捉。
五、未来展望
研究团队表示，下一步将重点推进两大方向：
一是结合物理知情神经网络（PINNs），将磁流体动力学（MHD）方程等物理约束融入模型，进一步提升合成数据的保真度；
二是扩展至空间分辨率优化，实现“时空双高”的等离子体诊断。
PPPL首席研究员Qiming Hu指出：“SRTS为我们打开了观察等离子体‘毫秒级动态’的新窗口，而Diag2Diag的意义在于，它证明AI不仅是数据分析工具，更是发现新物理的‘虚拟诊断仪’——这将彻底改变核聚变研究的范式。”
参考链接：
- https://www.pppl.gov/news/2025/new-ai-enhances-view-inside-fusion-energy-systems