這款 AI 模型能夠提前數百毫秒監測到等離子體可能出現的不穩定情況，並通過改變某些操作參數來避免其發生撕裂。
“從過去的實驗中學習，而不是從物理理論模型中獲取信息，AI 可以制定出最終的控制策略，實現在真實反應堆中實時支持高功率等離子體保持穩定。”該論文的通訊作者、普林斯頓大學埃格曼·科萊曼（）副教授對媒體表示。
圖丨AI 防撕裂系統對托卡馬克的控制和等離子體響應的示意圖（來源：Nature）
近日，相關論文以《基于深度強化學習避免聚變等離子體撕裂不穩定性》（）爲題在 Nature 上發表 [1]。
圖丨相關論文（來源：Nature）
普林斯頓大學博士後研究員徐在民（）是第一作者，擔任通訊作者。
發生在太陽內部的核聚變，是太陽能夠源源不斷地釋放能量，進而使地球上的生命成爲可能的根本原因。
近年來，伴隨著人類對能源需求不斷增長以及碳中和目標的要求，核聚變也因零碳發電等優勢，成爲一種擁有良好前景的清潔能源生産方式。
（來源：AI 生成，圖文無關）
據了解，2022 年底，美國勞倫斯利弗莫爾國家實驗室團隊在其國家點火設施上首次成功地實現淨能量增益，從而證明了通過核聚變輸出淨能量的可行性。
不僅如此，利用托卡馬克進行核聚變也迎來重要突破。例如，2021 年底，中國科學院等離子體物理研究所的全超導托卡馬克核聚變實驗裝置 EAST，實現了 1056 秒的長脈沖高參數等離子體運行。
不過，托卡馬克核聚變實驗依然存在一些需要解決的挑戰。
對于核聚變的發生而言，通常需要兩個輕原子核（如氫）聚集在一起，然後形成一個較重的原子核，不過想讓這兩個原子實現融合並非易事，必須通過極高的壓力或者能量激勵，才能幫助它們克服原子核相互之間的排斥力。
在太陽內部，核聚變的順利進行由太陽的巨大引力和核心的極高壓力作爲支撐，地球上則采用強磁場進行約束。
然而，要利用托卡馬克穩定、高效地生産聚變能量，就需要在不破壞等離子體的情況下保持高壓氫等離子體。
因此，該領域的科學家們要根據觀測到的等離子體狀態，對托卡馬克進行主動控制，以便在操縱高壓等離子體的同時，避免出現撕裂模式等不穩定性因素。
“這是等離子體被破壞的主要原因之一，當我們嘗試以産生足夠能量所需的高功率進行聚變反應時，這種情況將變得更加突出。”對媒體表示，“因此，它是我們需要解決的重要挑戰。”
該團隊選擇基于強化學習的 AI 攻克這一挑戰，因爲它能夠快速地處理新數據並做出反應，以阻止撕裂模式的不穩定性在幾毫秒內形成，避免可控核聚變反應脫軌的情況發生。
基于坐落在美國聖地亞哥的 DIII-D 國家聚變設施以往的實驗數據，他們構建了一個深度神經網絡，能夠根據實時等離子體的特性，預測未來撕裂模式不穩定性出現的可能性。
他們利用該神經網絡訓練強化學習算法，讓其嘗試學習控制等離子體的不同策略，並通過反複試驗來驗證策略的有效性。
圖丨系統總體設計框架（來源：Nature）
該論文的合著者之一、課題組的研究學者阿吉拉赫什·賈拉萬德（）對媒體表示：“我們並沒有向強化學習模型傳授核聚變反應的所有複雜物理知識，而是告訴它目標是保持高功率反應，要避免撕裂模式不穩定性，以及它可以轉動哪些按鈕來實現這些目標。”
而 AI 在經曆無數次模擬聚變實驗之後，最終找到了既能保持高功率水平又能避免不穩定性的方法，即便在低安全系數和低扭矩的相對不利條件下，AI 模型也能將撕裂的可能性保持在目標阈值之下。
另外，基于目前的研究，接下來該課題組也計劃找到 AI 模型在 DIII-D 上良好運行的更多證據，並將它拓展到其他托卡馬克裝置上。此外，他們還將進一步擴展算法，以便能夠避免其他類型的不穩定性。
綜上可以看出，該成果爲開發穩定的高性能托卡馬克運行方案鋪平了道路，有望在國際熱核聚變實驗堆計劃等項目中獲得實際應用。
參考資料：
1.Seo, J., Kim, S., Jalalvand, A. et al. Avoiding fusion plasma tearing instability with deep reinforcement learning. Nature 626, 746–751 (2024). https://doi.org/10.1038/s41586-024-07024-9
https://www.independent.co.uk/tech/nuclear-fusion-ai-clean-energy-b2500756.html
https://phys.org/news/2024-02-ai-wrangle-fusion-power-grid.html
---[支持：鄒名之*排版：劉雅坤/來源: DeepTech深科技]
