本文为1224字，建议阅读3分钟
普林斯顿大学利用人工智能深度强化学习在托克马克装置国际热核聚变实验堆（ITER）上突破了控制核聚变的关键难题
要实现在ITER上长期脉冲运行的成功，必须解决一个关键问题——等离子体破裂（disruption）。即使少数破裂事件也可能对ITER中的面向等离子体组件造成不可逆损伤。其中，撕裂不稳定性是导致等离子体破裂的主要因素，特别是在ITER基准运行场景下尤为突出。
普林斯顿大学等离子体物理实验室的研究人员在《自然》杂志上发表文章称，他们发现了一种使用人工智能预测并实时防止这些潜在不稳定性发生的方法。研究团队在美国圣地亚哥的DIII-D国家聚变设施进行了实验，并证实其研发的人工智能控制器可以提前300毫秒预测等离子体破裂的可能性。如果没有这种干预，聚变反应将会突然终止
值得注意的是：
科研人员开发了一种基于多模态动态模型的方法，该模型能根据多种诊断信号预测未来可能发生的撕裂不稳定性，并以此构建了一个用于训练强化学习人工智能环境。AI控制器基于深度神经网络（DNN），结合实际操作空间随时间变化的情况，让等离子体主动追踪稳定路径，同时保持H模式性能，这是传统预编程控制器难以做到的
图：Dlll-D托克马克防撕裂系统的总体架构
实验展示：
这两天，研究人员在美国最大的磁约束聚变设施DIII-D中，成功展示了如何运用深度强化学习技术来降低破坏性撕裂不稳定的出现概率。通过设计一种智能控制器，它能够实时处理来自磁性探针、汤姆森散射仪、电荷交换复合光谱等多种诊断设备的数据，并据此调整加热、电流驱动及控制执行器，如电子回旋共振频率波束、中性束注入等，从而在保持低撕裂可能性的同时追求高压力等离子体状态。
图：DIII-D 中基于 AI 的撕裂避免实验
强化学习算法优化了基于DNN的模型，使其逐渐学会在给定环境中采取行动策略以获取更高奖励。具体到防止撕裂不稳定的任务中，科研团队特别设计了一项奖励函数，该函数评估在可接受的撕裂可能性范围内等离子体所达到的压力水平。通过反复训练，AI控制器能够在提高等离子体压力的同时，确保撕裂可能性低于设定阈值，使托卡马克运行轨迹始终保持在狭窄但理想的路径上。
进一步研究表明：
强化学习训练中奖励函数阈值的选择直接影响控制策略的保守程度。随着允许的撕裂可能性阈值升高，控制器变得更为激进，愿意在承受较高撕裂可能性的前提下提升等离子体压力。不同阈值训练下的实验表明，对于不同的风险容忍度，AI控制器都能找到相应的平衡点，实现长时间内等离子体稳定且高效运行的目标
结语
普林斯顿大学发言人表示：“这些实验为利用人工智能解决长期以来阻碍聚变能源发展的各种等离子体不稳定性奠定了基础。”
该研究作者、普林斯顿大学机械与航空航天工程教授埃杰门·科尔曼（Egemen Kolemen）肯定了这一发现的意义，他表示：“这对于核聚变无疑是一个进步。‘破裂’是重大难题之一，我们希望任何反应堆都能连续24/7运行多年而不出现问题
想要深入了解这项成果的看这里：https://www.nature.com/articles/s41586-024-07024-9
⭐星标AI寒武纪，好内容不错过⭐
用你的赞和在看告诉我～
可控了？👇👇