AI驱动科学机器学习提升托卡马克等离子体缓降控制预测

麻省理工学院主导的研究团队运用科学机器学习技术，将物理定律与实验数据智慧融合。开发了一套神经状态空间模型，仅需少量数据即可精准预测托卡马克配置变量（TCV）在电流缓降过程中的等离子体行为动态，以及潜在的不稳定情况。

直接提及「托卡马克装置」，许多人可能感到陌生。但若这样介绍：托卡马克装置是实现终极能源——核聚变能的关键技术之一，或许会有「原来如此」的领悟。不过这里的「核能」并非核电站的核裂变，而是能量更高、更清洁、更安全、几乎无放射性废料的核聚变。

核聚变仿效太阳内部的能量生成机制，通过让轻核（如氘和氚）在超高温度下聚合释放能量。为此，需要在地球上「造一个小太阳」。托卡马克装置通过在环形真空腔体中，容纳比太阳核心温度更高的等离子体，并以强磁场约束，从而维持聚变反应的稳定进行。

然而理想很丰满，现实却极其「敏感」。对于托卡马克装置而言，放电末期的电流缓降是一个「高危」阶段。其面临的是每秒速度高达100公里、温度超过1亿摄氏度的等离子体流，并且此时等离子体处于强烈瞬态变化中，任何微小控制误差都可能触发破坏性扰动，对装置造成损害。

在此背景下，由麻省理工学院牵头的研究团队利用科学机器学习（SciML），将物理定律与实验数据智能结合。开发了神经状态空间模型（NSSM），通过少量数据就能预测托卡马克配置变量（TCV）缓降过程中的等离子体动力学，以及可能出现的不稳定情况，为安全控制「人造太阳」的停止提供了有力助力。

相关研究以「Learning plasma dynamics and robust rampdown trajectories with predict-first experiments at TCV」为题，发表于《自然通讯》。

研究亮点：

* 提出了融合物理约束与数据驱动的神经状态空间模型（NSSM），在托卡马克放电缓降阶段实现高精度动态预测与快速并行仿真；

* 在TCV实验中完成「预测先行」外推验证，「先预测、后实验」的闭环方法实现了真正数据驱动控制验证。

论文地址：https://www.nature.com/articles/s41467-025-63917-x

更多AI前沿论文：https://hyper.ai/papers

数据集：小样本下的高效学习

研究团队用于训练模型的数据集包含TCV装置442次最新放电实验记录。划分了311次用于训练（其中仅5个属于高性能区间），131次用于验证，是否感受到数据集的「迷你」规模？

仅凭这些较小规模数据，模型就学会了预测复杂等离子体动态，并能在单块A100 GPU上每秒并行模拟上万条下降轨迹，充分体现其强大学习与预测能力。

模型验证指标

物理为骨，神经为魂的「神经状态空间模型」

研究核心是构建一个能精准预测等离子体在停机阶段复杂动态的模型。为此，研究团队设计了一个融合物理与数据的「神经状态空间模型」。

该模型骨架是零维物理方程，主要描述等离子体能量平衡和粒子平衡。但部分关键参量（如约束时间、辐射损失等）难以用第一性原理精确建模，因此研究团队在这些核心部位嵌入「神经网络」，让模型能从实验数据中学习这些难以模拟的物理效应。如同一辆拥有标准底盘的自驾汽车，其「驾驶经验」通过真实路况数据训练而来。

具体而言，模型以一系列可控「动作」为输入，如等离子体电流变化率、中性束注入功率等。通过求解这个由「物理方程 + 神经网络」构成的混合微分方程组，模型能一步步推演未来。

核心方程

神经状态空间模型（NSSM）的训练过程遵循高效自动化流程。模型由动力学函数 fθ 和观测函数 Oθ 定义，进行前向模拟生成预测数据，并与实验观测值对比计算损失。借助diffrax和JAX的自动微分伴随方法，优化模型参数。

NSSM训练方法描述

有趣的启发性实验环节

所有实验中，最具启发性的两个结果分别来自「控制误差敏感性」鲁棒性验证与「预测先行」外推测试。前者揭示缓降阶段脆弱点——当高场侧间隙出现微小偏差时，垂直不稳定增长率可能数量级放大，从而触发垂直位移事件（VDE）。

在一次编号为 #81751 的放电中，这一现象导致等离子体突然偏移与终止。研究团队据此在强化学习（RL）环境中引入间隙误差不确定性分布，使轨迹在训练中主动适应不确定性。结果表明，重新优化轨迹（#82875）在相似误差条件下保持稳定。这一改进展示模型从真实误差学习鲁棒性的能力，也证明数据驱动优化在安全约束下可提升装置运行容错性。

实验结果证明鲁棒性提升

另一项称为「预测先行（predict-first）」的外推实验，验证模型在未知参数区间泛化潜力。研究者将电流上限从140 kA提高至170 kA，并在实验前完全依赖神经状态空间模型（NSSM）预测结果生成轨迹。实验结果显示，模型对关键物理量预测与实测高度一致，放电成功终止且未出现破裂。

外推测试场景先验预测和实验结果

推进「最理想能源」走向现实之旅

据悉研究团队正与联邦聚变系统公司（CFS）合作，共同研究如何利用新预测模型和类似工具，更好预测等离子体行为以避免机器中断，实现安全聚变发电。小组成员Allen Wang表示，「我们正致力于攻克科学难题，以实现核聚变常规应用。虽然现在只是漫长旅程开端，但我认为我们已取得不错进展」。此外，在这一跨学科交叉领域，也涌现许多新研究。

由美国普林斯顿等离子体物理实验室（PPPL）联合多所高校提出Diag2Diag，该模型通过学习多源诊断信号关联关系，在部分传感器失效或观测受限时虚拟重建等离子体关键参数，显著提升聚变装置监测与预警能力。相关研究以「Diag2Diag: AI-enabled virtual diagnostics for fusion plasma」为题，发表于arXiv平台。论文地址：https://arxiv.org/abs/2405.05908v2

此外，发表于arXiv平台，以「FusionMAE: large-scale pretrained model to optimize and simplify diagnostic and control of fusion plasma」为题的研究，提出面向聚变控制系统的大规模自监督预训练模型FusionMAE。该模型将80余个诊断信号整合至统一嵌入空间，通过掩码自编码器（MAE）结构学习不同通道间潜在关联，实现诊断与控制数据流高效对齐，开创聚变能源领域大规模人工智能模型集成。论文地址：https://arxiv.org/abs/2509.12945

毫无疑问，在推进「最理想能源——核聚变能」走向现实征程上，人工智能正成为不可或缺力量。

参考资料：

1.https://news.mit.edu/2025/new-prediction-model-could-improve-reliability-fusion-power-plants-1007