能源是人类社会发展的动力源泉，核聚变能因其能量密度高、原料储存丰富、安全环保清洁等特点，成为未来理想的主力能源。世界各国尤其是发达国家都在不遗余力的开展可控核聚变的研究。然而，实现可控核聚变反应，需要对高温高压下的等离子体进行精确控制，这其中的复杂性和难度可想而知。幸运的是，随着人工智能技术的快速发展，AI正在逐步成为推动可控核聚变发展的关键力量。

AI技术在可控核聚变领域的应用为科学家们提供了前所未有的数据分析和处理能力。通过对反应过程中海量数据的分析学习，AI可以揭示等离子体运动的内在规律，预测反应的进展和结果，帮助科研人员更好地理解核聚变反应机制，优化反应条件，提高反应效率。

AI技术还能提高聚变反应时对等离子的控制能力。在高温高压的聚变条件下，等离子体的状态瞬息万变，需要实时调整磁场、温度等参数以保持反应的稳定性。AI通过实时监测反应过程，迅速分析数据，自动调整反应参数，确保反应的顺利进行。这种智能控制不仅提高了反应的稳定性和安全性，还大大减轻了科研人员的工作负担。

此外，AI还可以通过对聚变实验过程的模拟和预测，缩短实验周期，降低研发成本，帮助科研人员更好地利用现有资源，降低能源消耗。这种高效、智能的研发模式为可控核聚变技术的商业化进程提供了有力支持。

AI的进步为可控核聚变领域带来了新的机遇，也将加快其商业化的步伐。在不远的未来，人类将获取到近乎无限的清洁能源，全球能源结构将进一步转型升级。

【以下为近年来，AI技术应用于可控核聚变领域的相关研发进展，特别是在等离子体行为模拟，运行数据监测及参数控制等方面，随着AI技术的不断进步，提高了聚变反应的反应效率、稳定性和可控性，降低了研发成本，为可控核聚变的商业化应用奠定了坚实基础。】

AI实现等离子体剖面预测

2021年发表于《Nuclear Fusion》

论文题目：Data-driven profile prediction for DIII-D

研究人员开发了一种全新的、完全数据驱动的算法，可利用神经网络根据给定的执行器轨迹和等离子体历史状态来预测等离子体剖面在未来的时间演化。研究人员将这个模型在DIII-D实验数据集上进行了训练和测试，发现该模型能够以微秒级的速度运行。这项实验结果，使其成为规划等离子体场景，用于实时预测控制的有用的工具。

AI实现等离子体安全因子剖面重建

2023年发表于《Nuclear Fusion》

论文题目：Reconstruction of tokamak plasma safety factor profile using deep learning

安全因子q是等离子体平衡重建中需要计算的重要量。传统上，等离子体平衡重建依赖于外部磁场测量数据，而内部测量，如运动Stark效应（MSE）提供的数据，可以显著提高平衡重建的精度。然而，MSE数据并非总是可用，尤其是在没有中性束的未来设备中。

为了解决这一问题，研究团队构建并测试了一个基于深度学习的模型（SGTC-QR），该模型重建的q剖面通常比EFIT01更准确。SGTC-QR模型在速度和准确性方面展示了更好的能力，能够为缺乏MSE数据的DIII-D实验数据生成q剖面。

AI基于DIII-D和JET实现等离子体破裂不稳定性预测

2019年发表于《Nature》

论文题目：Predicting disruptive instabilities in controlled fusion plasmas through deep learning

研究者提出了一种建立在以往机器学习方法之上的深度学习方法——融合递归神经网络（FRNN），来提高对等离子体破裂的预测性能。这种方法利用AI算力，提高预测的准确性和速度。该项研究在美国最大的托卡马克装置DIII-D和欧洲的JET托卡马克的数据进行训练和测试，并验证了该方法的有效性。

文章讨论了深度学习模型在未来核聚变反应堆控制中的应用潜力，以及如何通过机器学习和传统建模与模拟工作的结合来推动这一领域的发展。

AI基于DIII-D等离子体撕裂不稳定性监测

2024年发表于《Nature》

论文题目：Avoiding fusion plasma tearing instability with deep reinforcement learning

研究人员开发了一个多模态动态模型，该模型基于来自多个诊断和执行器的信号来预测等离子体的撕裂可能性。他们将这个动态模型用作强化学习人工智能的训练环境，以促进自动化的不稳定性监测。实验在美国最大的托卡马克DIII-D上进行，实验结果表明，AI控制器能够有效地降低DIII-D中破坏性撕裂不稳定性的可能性，允许等离子体在时变的操作空间内主动跟踪稳定路径，同时维持H模性能。这为开发稳定的高性能操作场景铺平了道路，对未来使用托卡马克反应堆具有重要意义。

KSTAR等离子体归一化比压控制

2021年发表于《 Nuclear Fusion》

论文题目：Feedforward beta control in the KSTAR tokamak by deep reinforcement learning

在核聚变研究中，归一化比压（βN）是一个关键的无量纲参数，它代表等离子体的性能和经济可行性。控制βN的值对于实现高效的核聚变发电至关重要。

研究者们开发了一个基于长短期记忆（LSTM）网络的虚拟托卡马克环境，用于模拟等离子体对外部执行器控制的响应。利用这个环境，通过AI算法训练了一个人工决策代理，计划调整放电场景以获得给定的目标βN。研究使用了5年的KSTAR实验数据来训练LSTM网络，并在此基础上进行了多次强化学习代理的训练，以优化其控制策略。

研究结果表明，通过强化学习确定的操作场景能够在KSTAR实验中实现βN的有效控制，证明了该方法在KSTAR的正常运行范围内是可行的。这项工作为未来使用基于机器学习的反馈控制实现稳定和高效的核聚变反应堆运行提供了重要的初步探索。

AI实现等离子体离子温度梯度控制

2021年发表于《 Nuclear Fusion》

论文题目：Ion temperature gradient control using reinforcement learning technique

具有内部输运垒（ITB）的等离子体因其高约束和高自举电流比例，非常适合稳态运行的托卡马克反应堆。但ITB等离子体在局部压强梯度较大时可能会变得不稳定，因此需要仔细控制压强分布。为了实现这一点，研究者开发了一个基于中性束注入（NBI）的离子温度梯度控制系统，并使用强化学习技术进行训练。

结果显示，通过使用强化学习技术可以成功开发出一个能够实现在ITB的等离子体中进行离子温度梯度控制的系统，并且该系统的关键特性的“鲁棒性”，能够适应不同ITB强度的等离子体，并显示出比固定增益PID控制器更优越的性能。

AI基于TCV装置实现等离子体磁控制

2022年发表于《Nature》

论文题目：Magnetic control of tokamak plasmas through deep reinforcement learning

研究团队设计了一个基于深度强化学习（DRL）的磁控制器，通过与托卡马克模拟器的交互进行自动学习并控制托卡马克中的磁执行器线圈，以塑造和维持高温等离子体。这种方法不仅大大简化了控制器的设计和开发，还提高了对不确定操作条件的鲁棒性。

该控制架构还存在潜在扩展性，可以快速部署在新的托卡马克上，而无需复杂的系统设计。该架构将有助于在托卡马克建造之前提供评估建议，并有可能通过联合优化等离子体形状、传感、驱动等多个因素来发现新的反应堆设计。

AI实现双托卡马克3D场全自动优化

2024年发表于《Nature Communications》

论文题目：Highest fusion performance without harmful edge energy bursts in tokamak

PPPL （普林斯顿等离子体物理实验室）的研究人员通过使用机器学习的方式来避免磁扰动破坏聚变等离子体的稳定性。

PPPL 研究人员表示，这种学习和适应能力可以通过多种方式改善对聚变反应的控制。其中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。

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完全无边界能量爆发状态，同时从最初的爆发抑制状态提高等离子体聚变性能，这对于未来反应堆实现无边界能量爆发运行的一个重要里程碑。

参考资料：

1.Data-driven profile prediction for DIII-D，36，2021，NF

2.Reconstruction of tokamak plasma safety factor profile using deep learning，5，2023，NF

3.Predicting disruptive instabilities in controlled fusion plasmas through deep learning，299，2019，Nature

4.Avoiding fusion plasma tearing instability with deep reinforcement learning，5，2024，Nature

5.Feedforward beta control in the KSTAR tokamak by deep reinforcement learning，47，2021，NF

6.Ion temperature gradient control using reinforcement learning technique，7，2021，NF

7.Magnetic control of tokamak plasmas through deep reinforcement learning，645，2022，Nature

8. Highest fusion performance without harmful edge energy bursts in tokamak.2024，Nat Commun 15