核聚变遇上人工智能：让研究人员无言以对的等离子体壮举 - Futura-Sciences

核聚变有望提供清洁、近乎无限的能量——与为太阳提供燃料的过程相同——但它取决于掌握一亿度的等离子体。如今，两条主导路径占据主导地位：甜甜圈形托卡马克和高功率激光器。两者现在都依靠人工智能来加速进步，但技术和道德障碍仍然巨大。智能系统能否真正将这一能源梦想变成工业现实？

我们的太阳靠聚变运行，几十年来，科学家们一直在地球上追逐它的承诺：将轻核（如氢）合并成较重的核，并释放巨大的能量。与裂变不同，聚变不会产生长寿命的放射性废物或温室气体。

在地球上重现这种反应是一项艰巨的科学和工程任务。原型数量庞大且昂贵，数字工具对于使测试变得可行至关重要。自 2010 年代中期以来，尤其是 2020 年之后，研究人员已经部署人工智能来保持等离子受到控制并完善未来的反应堆设计。

为了实现聚变，原子必须被加热到超过 1 亿度，形成一种任何固体壁都无法接触的超热电离气体。

这就是为什么两种实验策略经久不衰的原因：一种使用磁场，另一种使用光。

磁约束将等离子体捕获在称为“a”的环形反应堆内的强大磁场内托卡马克. – 普罗旺斯 ITER – 欧盟、日本、美国、中国、俄罗斯、印度和韩国 - 是旗舰项目，还有许多其他实验机器在全球范围内运行。

惯性约束则采取了不同的路线：在美国国家点火装置，192 根巨大的光束在瞬间压缩并加热一个微小的燃料舱——而且是瞬间。

这两种方法都面临着严峻的挑战：保持等离子体稳定，避免破坏性的不稳定性，预测中断（托卡马克中的突然热碰撞可能会将能量倾倒到墙壁上），以及优化激光发射或等离子体形状。

这就是人工智能介入的地方。数据分析长期以来一直是融合研究的核心。现代学习技术进一步推动了这种能力。

磁聚变：等离子体控制下的人工智能

托卡马克装置中的每个脉冲都会产生数十亿个数据点——图像、现场测量、温度、密度。2022 年，洛桑联邦理工学院 (EPFL) 的 TCV 设备取得了突破，它使用 DeepMind 和瑞士等离子体中心构建的深度强化学习来实时控制等离子体形状和位置。该算法进行毫秒级调整，匹配不稳定性的时间尺度，并动态调整磁场以保持等离子体稳定——首次报道于自然。

另一个里程碑是中断预测。神经网络等机器学习模型可以发现突发破坏性事件的早期预警信号。

在美国的 DIII-D 托卡马克装置上，仅根据该机器的实验数据训练的人工智能可以预测未来 300 毫秒的中断，从而使系统能够做出响应。这种数据驱动的方法及时触发了缓解措施——杂质注入或场调制——以稳定等离子体。中断被认为避免了，不是因为观察到了中断，而是因为条件与之前在没有干预的情况下导致突然关闭的情况相符。发表于 2024 年自然，这些结果表明更加动态的融合控制。

人工智能还可以提高诊断能力，标记有故障的传感器，解析湍流视频，并通过数字孪生加速模拟。

数字孪生是真实系统的不断更新的计算副本。对于聚变，它模拟等离子体演化。人工智能加速了这些模型的速度（用学习的替代物取代繁重的流体动力学计算）并填补了理论不完整的空白。

之前的案例仅使用数据来预测关键事件，而人工智能辅助双胞胎则加速了前瞻性任务的全等离子体模拟，例如优化反应堆架构。

惯性融合：利用人工智能设计更好的激光镜头

惯性聚变以极快的速度压缩燃料舱激光。射击很少见且成本高昂：为光束提供动力和准备、制造目标以及在射击之间重新校准所有这些都会增加。每一毫秒都很重要。

在罗切斯特大学，人工智能接受了 OMEGA 系统（世界上最强大的学术激光器）的训练，以塑造脉冲轮廓。OMEGA 可提供微米级和万亿分之一秒的精确射击和诊断探测结果。

人工智能缩小了模拟与现实之间的差距，调整脉冲，并提出最佳的实验设置。在某些活动中，融合产量增加了两倍。发表于自然，该策略可以快速探索广阔的设计空间，而无需测试每个选项。

人工智能还可以纠正模拟，弥合理论与实验的不匹配，并执行逆向设计：设定目标（如点火），模型提出路径。该剧本帮助 NIF 在 2022 年底实现了超过激光输入的聚变输出，这是历史性的首次。

现在有多个智能系统做出贡献：用于诊断的图像分析工具、用于目标对准的机器人助手以及检测失败射击的分类器。长期目标是完全自动化、适应性实验。

人工智能融合的挑战和未来之路

到 2035 年，ITER 每天可能会生成约 2 PB 的数据，这一规模使得数据科学变得不可或缺。

嵌入人工智能在聚变控制中，这并不是一件小事。模型必须快速（接近实时）、稳健（能够抵抗噪声传感器和变化条件）、可解释（不是黑匣子）以及可跨机器转移（无需从头开始重新训练即可进行调整）。

研究人员正在开发物理知识方法尊重基本法律并能够解释其决定。NIF 等设施的数据稀缺促使团队将实验与模拟相结合，以丰富数据集。更大的数据集有助于模型学习复杂的等离子体行为；稀疏的数据存在偏见和概括性差的风险。

超越当前的限制——流式传输数千个传感器的计算需求、混乱条件下的可靠预测以及丰富的训练语料库的稀缺——存在着责任问题。如果算法失败，导致密闭丧失或设备损坏，谁该负责：反应堆设计者、软件开发者还是操作员？考虑到所涉及的能量和温度，这些法律和道德问题仍然悬而未决，而且至关重要。

未来几年，人工智能的更紧密集成可能会加速向受控、商业上可行的融合迈进。如果聚变是最终的能源梦想，那么智能系统很可能是解锁它的钥匙。