科学机器学习助力预测托卡马克等离子体动力学

麻省理工学院领衔的研究团队，运用科学机器学习技术，巧妙地将物理定律与实验数据融合。他们开发了一种神经状态空间模型（NSSM），通过少量数据便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，以及可能发生的各种不稳定状况。

提到“托卡马克装置”，你可能感到陌生。但如果说这是通向最理想能源——核聚变能的重要技术之一，你或许会有“原来如此”的领悟。这里的“核能”并非核电站的核裂变，而是更高能、清洁、安全且几乎无放射废料的核聚变。

核聚变模拟太阳内部的能量产生过程，通过让轻核（如氘和氚）在极高温度下聚合来释放能量。为此，我们需要在地球上“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，并用强磁场加以约束，从而维持聚变反应的稳定进行。

然而，理想丰满，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。此时，每秒速度高达100公里、温度超过1亿摄氏度的等离子体流处于强烈的瞬态变化中。任何微小的控制误差都可能触发破坏性扰动，对装置造成伤害。

在此背景下，麻省理工学院领衔的研究团队运用科学机器学习（SciML），将物理定律与实验数据融合。他们开发了一种神经状态空间模型（NSSM），通过少量数据便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”的停止提供了有力支持。

相关研究以“Learning plasma dynamics and robust rampdown trajectories with predict-first experiments at TCV”为题，发表于 Nature Communications。

研究亮点：

* 提出了结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的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的数据驱动控制验证。

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，包含了TCV装置442次最新的放电实验记录。其中，311次用于训练（仅5个属于高性能区间），131次用于验证。感受到数据集的“迷你”程度了吗？

仅凭这些较小规模的数据，模型就学会了预测复杂的等离子体动态，并能在单块A100 GPU上每秒并行模拟上万条下降轨迹，这足以体现其强大的学习与预测能力。

物理为骨，神经为魂的“神经状态空间模型”

研究的核心是构建一个能够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”。

该模型的骨架是零维物理方程，主要描述了等离子体的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了“神经网络”，让模型能够从实验数据中学习这些难以模拟的物理效应。

有趣的启发性实验环节

在所有实验中，最具启发意义的两个结果分别来自对“控制误差敏感性”的鲁棒性验证与“预测先行”外推测试。

推进“最理想能源”走向现实之旅

据悉研究团队正在与联邦聚变系统公司（CFS）合作，共同研究如何利用新的预测模型和类似的工具，更好地预测等离子体行为以避免机器中断情况，实现安全的聚变发电。

参考资料：

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