可控核聚变，又有新突破了。

长期以来，核聚变一直受着一个“幽灵”的困扰——等离子体不稳定性问题。

而最近，普林斯顿团队用AI提前300毫秒预测了核聚变等离子不稳定态，这个时间，就足够约束磁场调整应对等离子体的逃逸！

从此，科学家防止可控核聚变的中断，产生足够能量所需的高功率聚变反应，也就更有可能了。

这项重大突破，成果已经登上Nature。

论文地址：https://www.nature.com/articles/s41586-024-07024-9

一、可控核聚变重大难题，被AI突破

几十年来，科学家一直努力在地球上实现核聚变。

因为人类社会未来面临的能源枯竭问题，很可能会被可控核聚变解决。它有望为我们提供无穷无尽的清洁能源，甚至彻底改变我们应对气候危机的方式。

通过强制原本相互排斥的两个原子融合在一起，就能实现聚变。

聚变发生在两个原子——通常是轻原子，如氢——合并成一个更重的原子的过程中，释放出巨大的能量。

这个过程是太阳的能量来源，也间接支撑了地球上的生命。然而，让两个原子实现融合非常困难，因为需要极大的压力和能量，才能来克服它们之间的相互排斥力。

太阳之所以能实现聚变反应，靠的是它巨大的引力和核心处的极高压力。而为了在地球上模拟这一过程，科学家们采用了极度炽热的等离子体和强大的磁场。

在托卡马克（外形像甜甜圈）中，磁场会努力控制温度超过1亿摄氏度的等离子体，这比太阳中心的温度还要高

然而，核聚变过程中，专家们常常只能实现短暂的聚变能量维持，过程中存在诸多不稳定性。

这是因为，在实现可核聚变能的过程中，最关键的步骤之一，就是输入氢变体燃料，在托卡马克中将其升温，产生类似于“汤”的等离子体。

但等离子体很难控制——它极易“撕裂”，并且逃逸出用来约束它的强大磁场。

幸运的是，最近普林斯顿大学和普林斯顿等离子体物理实验室的研究人员在Nature上报告，他们发现了一种方法，可以利用AI预测这种潜在的不稳定性，并且实时防止实验中断。

这个团队，由工程师、物理学家、数据科学家组成。

在圣地亚哥的DIII-D国家聚变设施进行的实验中，研究团队发现，他们的AI控制系统能够在提前300毫秒时，就预测到等离子体的潜在撕裂。

而如果没有这种干预，聚变反应很可能就会突然中断！

至此，长期以来阻碍核聚变发展的等离子体不稳定性问题，终于被人类攻克了。

这项发现，也极大提升了科学家们的信心。

普林斯顿大学的机械与航空航天工程系教授、研究报告作者之一的Egemen Kolemen为我们解释了，为什么这项发现如此意义重大。

二、AI成功实现等离子体状态控制策略

AI是如何实现的？

研究人员展示的模型显示，它可以仅通过分析过去的实验数据，而非依赖物理模型，就能预测出“撕裂模式不稳定性”（也即潜在的等离子体不稳定性）。

而且，它最多能提前300毫秒就预测出来！

对人类来说，这段时间可能只是眨一次眼，但对于AI控制器来说，就已经足以让它调整操作参数，避免等离子体磁场的内部撕裂，从而维持其稳定状态，防止反应提前结束。

1. AI+等离子体物理学=？

研究人员会想到AI，也是因为撕裂模式不稳定性发生得实在太突然、太快了！

要在几毫秒内反应过来，迅速处理新数据、作出响应，唯有AI才能做到。

然而，开发一个有效的AI控制系统并非易事。

更何况，在托卡马克环境下，实验时间极其宝贵，风险又极高。

在论文合著者Azarakhsh Jalalvand看来，教AI算法控制托卡马克中的聚变反应，就像教人开飞机一样。

你不仅要给AI钥匙，让它自己摸索，还要让它在复杂的飞行模拟器中反复练习，直到掌握了足够的技能。

2. 深度神经网络

因此，普林斯顿团队采用了DIII-D托卡马克过去实验的数据，构建了一个深度神经网络，这个网络能够根据实时的等离子体特征，预测未来撕裂模式不稳定性的发生概率。

利用这个神经网络，研究人员训练了一个强化学习算法。

这个算法就像一个正在学习的飞行员，通过在模拟环境中的试错，学习控制等离子体的各种策略，找出哪些是有效的，哪些是无效的。

Jalalvand解释说，他们并没有向强化学习模型传授聚变反应的复杂物理知识，而是告诉它：你的目标是维持高功率反应、避免撕裂模式不稳定性，并指出可以调整的参数。

在无数次的模拟聚变实验中，模型尝试寻找方法来维持高功率水平，同时避免不稳定性。

随着时间的推移，算法自己就学会了在避免不稳定性的同时，达到高功率反应的最优路径！

合著者SangKyeun Kim说：“我们能看到模型的意图背后的逻辑。有时模型想要的改变太快了，我们就需要让模型的行为更平滑、更稳定。作为人类，我们需要在AI的意图和托卡马克的实际容忍度之间，找到一个平衡。”

当研究人员对AI控制器的能力有了足够信心后，他们就在D-III D托卡马克的实际聚变实验中进行了测试，观察控制器如何实时调整特定参数来避免不稳定性的发生，包括改变等离子体形状和输入反应的束流强度。

结果显示，AI果然能够成功预测出不稳定性！

这样，研究人员就不再被动，不需要等到等离子体失控已经发生后，再采取措施了。

三、用于控制的强化学习系统设计

根据论文的介绍，研究人员设计的AI控制器，能够根据监测到的等离子体状态自动调节控制器的工作，从而在确保等离子体稳定性的同时，尽可能提升其压力。

图1a和1b：实验中的一个典型等离子体样本，以及研究所选用的诊断工具和控制设备。其中，在q = 2磁通面上，可能会发生2/1模式撕裂不稳定现象。

图1c：能够处理测量信号，并生成对应的执行器指令的控制系统架构。

图1d：基于DNN的AI控制器能够根据经过训练的策略，决定整体束流功率和等离子体形状的高级控制命令。等离子体控制系统（PCS）则负责计算磁线圈的控制信号和各个束流的功率，确保既满足AI控制器设定的高级控制需求，也遵守用户设定的限制条件。

2. 实验结果

图3b中的黑线展示了一个因撕裂不稳定而导致的等离子体中断的例子。

在这次放电中，使用传统反馈控制维持了特定的参数水平（β_N = 2.3）。然而，在2.6秒时，出现了严重的撕裂不稳定现象，导致参数急剧下降，最终在3.1秒时引发了等离子体中断。

图3b中的蓝线，是在AI控制下的束流功率和等离子体的形状。图3c和图3d分别展示了具体控制过程中，等离子体形状和束流功率的调整情况。

这次放电期间，AI控制器根据等离子体的实时数据，制定出束流功率和形状的调整指令，由等离子体控制系统（PCS）转化为具体的操作，如调整磁线圈电流和精确控制八束束流的功率。

图3e中的蓝线，是对AI控制放电的后续估计。可以看到，整个过程中撕裂倾向被有效控制在预定阈值以下，完全符合预期。

这次实验不仅证明了相比传统控制方法，AI控制能够更有效降低撕裂风险，还展示了其在整体性能上相比参考实验的提升，体现了AI适应性控制的优势。

四、点亮未来之路

研究人员指出，虽然这项工作成功证明了AI在有效控制聚变反应方面的潜力，但这只是推动聚变研究领域的第一步。

首先，他们计划在DIII-D上收集更多证据，证明AI控制器的实际效果，然后将其应用范围扩大到其他的托卡马克装置。

“我们有充分的证据显示这个控制器在DIII-D上表现出色，但我们需要更多数据来证明它能够应对多种不同的情况，”一作Seo表示。“我们的目标是开发出更具通用性的解决方案。”

第二个研究方向是扩展这个算法，使AI控制器能够同时处理更多的不稳定问题。

曾在Kolemen团队做研究生，目前是PPPL博士后研究员，也是共同作者的Ricardo Shousha解释说：“你可以想象，有一个综合的奖励函数，它调整多个参数，以此来同时控制多种不稳定性。”

在开发更优秀的AI控制器以控制聚变反应的过程中，研究人员们还可能对等离子体底层物理有了更深入的理解。

通过分析AI控制器在维持等离子体稳定时所作出的决策，可以发现它们往往与传统方法大相径庭。

这表明，AI不仅能够成为控制核聚变反应的有效工具，还能作为一种新的教学资源，帮助我们从不同角度理解和探索聚变科学。

引用来源：可控核聚变新里程碑：AI成功预测等离子体撕裂-虎嗅网 (huxiu.com)