编辑 | X

几十年来，核聚变释放能量的「精妙」过程一直吸引着科学家们的研究兴趣。

现在，在普林斯顿等离子体物理实验室（PPPL）中 ，科学家正借助人工智能，来解决人类面临的紧迫挑战：通过聚变等离子体产生清洁、可靠的能源。

与传统的计算机代码不同，机器学习不仅仅是指令列表，它可以分析数据、推断特征之间的关系、从新知识中学习并适应。

PPPL 研究人员相信，这种学习和适应能力可以通过多种方式改善他们对聚变反应的控制。这包括完善超热等离子体周围容器的设计、优化加热方法以及在越来越长的时间内保持反应的稳定控制。

近日，PPPL 的 AI 研究取得重大成果。PPPL 研究人员解释了他们如何使用机器学习来避免磁扰动破坏聚变等离子体的稳定性。

图示：上面显示的两个托卡马克（DIII-D 和 KSTAR）装置中部署了用于检测和消除等离子体不稳定性的机器学习代码。（来源：通用原子公司和韩国聚变能源研究所）

该论文的主要作者、PPPL 研究物理学家 SangKyeun Kim 表示：「研究结果令人印象深刻，因为我们能够使用相同的代码在两个不同的托卡马克装置上实现这些结果。」

相关研究以《Highest fusion performance without harmful edge energy bursts in tokamak》为题，发布在《Nature Communications》上。

论文链接：https://www.nature.com/articles/s41467-024-48415-w

抑制聚变中「边缘爆发」

为了使聚变能在全球能源市场上具有经济竞争力，它必须在维持聚变的同时，实现具有足够等离子体密度（n）、温度（T）和能量约束时间（τ）的高聚变三重积（nτT）。

换句话说，聚变等离子体需要足够的品质因数（G ∝ nτT）才能实现高聚变性能，并且随着等离子体约束质量 (H89：归一化能量约束时间) 的增加而增加。

为了使托卡马克设计成为聚变反应堆的可行选择，必须开发可靠的方法来定期抑制边缘爆发（edge burst）事件而不影响 G。

科学家已经通过各种方法来减轻边缘爆发事件。一种有效的方法是利用外部 3D 场线圈的共振磁扰动 (RMP)，这已被证明是最有前途的边缘爆发抑制方法之一。

图示：托卡马克中的 3D 场线圈结构。（来源：论文）

然而，这种情况的代价高昂，导致 H89 和 G 与标准高约束等离子体体系相比显著恶化，从而削弱了经济前景。此外，3D 场还增加了灾难性核心不稳定的风险，称为中断，这甚至比边缘爆裂更严重。因此，无边缘爆发操作与高约束操作的安全可及性和兼容性亟待探索。

首次在两个托卡马克上实现

该研究首次在 KSTAR 和 DIII-D 两个托卡马克上进行了创新和集成的 3D 场优化，通过结合机器学习 (ML)、自适应和多机器功能，来自动访问和实现几乎几乎完全无边缘爆发状态，同时从最初的爆发抑制状态提高等离子体聚变性能，这是未来反应堆实现无边缘爆发运行的一个重要里程碑。

这是通过实时利用无边缘爆发起始和损耗之间的滞后来增强等离子体约束，同时扩展 ML 在捕获物理和优化核聚变技术方面的能力来实现的。

图示：DIII-D 和 KSTAR 托卡马克中 ELM-free 放电的性能比较。（来源：论文）

这种集成有助于：

高度增强等离子体约束，在两台机器的无边界局域模（Edge Localized Mode-free，ELM-free）场景中达到最高融合 G，G 增加高达 90%；

使用基于 ML 的 3D 场模拟器首次实现全自动 3D 场优化；

从等离子体操作一开始就同时建立爆发抑制，实现接近 ITER 相关水平的几乎完全的无边缘爆发操作。这一成就为国际热核聚变实验反应堆（ITER）等未来设备迈出了至关重要的一步，在这些设备中，依赖经验 RMP 优化不再是可行或可接受的方法。

「等离子体中存在不稳定性，可能会导致聚变装置严重损坏。我们不能在商业聚变容器中使用这些物质。我们的工作推动了该领域的发展，并表明人工智能可以在管理聚变反应方面发挥重要作用，避免不稳定，同时允许等离子体产生尽可能多的聚变能。」通讯作者、PPPL 机械和航空航天工程系副教授 Egemen Kolemen 说道。

基于 ML 的全自动 3D 场优化

在本实验中，使用一系列放电来寻找安全 ELM 抑制的优化 3D 波形。

在此背景下，研究引入了 ML 技术来开发自动化 3D 线圈优化的新颖路径，并首次演示了该概念。

图示：基于机器学习的实时 RMP 优化算法。（来源：论文）

研究人员开发了 GPEC 代码的代理模型 (ML-3D)，以实时利用基于物理的模型。该模型使用 ML 算法将计算时间加速到 ms 级，并集成到 KSTAR 中的自适应 RMP 优化器中。

ML-3D 由一个完全连接的多层感知器（MLP）组成，由九个输入驱动。为了训练该模型，利用 8490 KSTAR 平衡的 GPEC 模拟。

图示：ML-3D 模型性能。（来源：论文）

该算法利用 ELM 状态监视器（Dα）信号实时调整 IRMP，可以保持足够的边缘 3D 场来访问和维持 ELM 抑制。同时，3D 场优化器使用 ML-3D 的输出来调整 3D 线圈上的电流分布，从而保证安全的 3D 场以避免中断。

图示：具有集成 RMP 优化功能的全自动 ELM 抑制放电 (#31873) 的等离子体参数。（来源：论文）

KSTAR 实验中，ML 集成的自适应 RMP 优化器在 4.5 秒内触发，在 6.2 秒内实现安全的 ELM 抑制。

研究还表明 3D-ML 作为自动化无 ELM 访问的可行解决方案。ML-3D 基于物理模型，不需要实验数据，使其可以直接扩展到 ITER 和未来的聚变反应堆。这种对未来设备的强大适用性凸显了 ML 集成 3D 场优化方案的优势。此外，在未来的 3D 线圈电流限制更高的设备中，有望实现更好的场优化和更高的聚变性能。

研究成功优化了 KSTAR 和 DIII-D 装置中的受控 ELM-free 状态，并具有高度增强的聚变性能，涵盖了与未来反应堆相关的 low-n RMP 到 ITER 相关的 nRMP = 3 RMP，并在两台机器中实现了各种 ELM-free 场景中的最高水平。

图示：性能高度增强的优化 RMP 振幅 (#190738) 的等离子体参数。（来源：论文）

此外，ML 算法与 RMP 控制的创新集成首次实现了全自动 3D 场优化和 ELM-free 操作，并在自适应优化流程的支持下，性能得到了显著增强。这种自适应方法展现了 RMP ELM 抑制和高限制之间的兼容性。

此外，它还提供了一种稳健的策略，通过最大限度地减少限制和无感电流分数的损失，在长脉冲场景（持续超过 45 秒）中实现稳定的 ELM 抑制。

值得注意的是，在 nRMP = 3 RMP 的 DIII-D 中观察到显著的性能 (G) 提升，显示较初始标准 ELM 抑制状态提高了 90% 以上。这种增强不仅归因于自适应 RMP 控制，还归因于等离子体旋转的自洽演化。该响应能够以非常低的 RMP 幅度进行 ELM 抑制，从而增强基座。此功能是系统通过对自适应调制的自组织响应过渡到最佳状态的一个很好的例子。

图示：通过自适应 RMP 优化提高放电性能。（来源：论文）

此外，自适应方案与早期的 RMP-ramp 方法相结合，实现了 ITER 相关的 ELM-free 场景，几乎完全 ELM-free 操作。这些结果证实，集成自适应 RMP 控制是一种非常有前途的优化 ELM 抑制状态的方法，有可能解决实现实用且经济可行的聚变能源的最艰巨的挑战之一。

参考内容：https://phys.org/news/2024-05-ai-intensive-aspects-plasma-physics.html

【推荐阅读】

登Nature，提前300毫秒预测聚变中等离子体「撕裂」，普林斯顿团队开发AI控制器

快速筛选海量数据，即时做出明智决策，MIT、普林斯顿&卡内基梅隆大学团队利用LLM进行聚变研究

机器学习为未来核聚变发电厂寻找合适的氢同位素组合

模拟精度提高65%，训练时间减少3倍及以上，DeepMind用强化学习控制核聚变取得进展