普林斯顿大学AI模型破解核聚变难题

普林斯顿大学AI模型破解核聚变难题

近日，美国普林斯顿大学的研究团队开发出一套AI模型，成功解决了可控核聚变反应中的等离子体撕裂问题，这一突破性进展登上了《Nature》杂志。通过这套AI模型，科学家们能够在核聚变过程中提前预测等离子体的不稳定状态，并及时采取措施避免撕裂现象的发生，从而大大提高了可控核聚变的成功率。这一技术的进步标志着人类向实现“终极能源”——可控核聚变迈出了重要一步。

核聚变被称为人造太阳，其原理和为太阳以及其他恒星提供动力的过程相同，被广泛视为清洁能源的圣杯。但科学家们只实现并维持了几秒钟的核聚变能，还有许多障碍，包括高度复杂过程中的不稳定性。实现聚变能的方法有多种，但最常见的是使用氢变体作为输入燃料，并在称为托卡马克的「甜甜圈形」形状的机器中将温度提高到极高水平，以产生等离子体，一种类似汤的物质状态。但等离子体需要受到控制，而且极易「撕裂」，并逃离机器设计用来控制等离子体的强大磁场。

普林斯顿大学研究团队开发的AI控制器可以根据观察到的等离子体轮廓自适应地控制执行器，在保持低撕裂性的同时追求高等离子体压力。该防撕裂系统的整体架构如下图所示。

图 1：DIII-D 托卡马克防撕裂系统的总体架构。（来源：论文）

基于人工智能的撕裂避免系统主动控制光束功率和等离子体三角度，以将未来撕裂不稳定发生的可能性保持在较低水平。这使得在 DIII-D 中的 low-q95 和低扭矩条件下将撕裂性保持在阈值以下。此外，控制器不仅在 ITER 基线条件等特定实验条件下，而且在其他操作环境甚至意外情况下，都证明了能够稳健地避免撕裂不稳定性。

研究人员表示，该研究是使用强化学习避免撕裂的概念验证研究，仍处于微调的早期阶段。对于更有用的应用，还需要进一步的实验和微调。尽管如此，该研究证明了强化学习可以应用于核心等离子体物理的实时控制。这次演示是融合领域机器学习能力的成功扩展，为未来托卡马克装置中高性能运行场景的集成控制开发提供了见解和途径，超越了单一的不稳定性控制。该研究开发的撕裂避免控制还有进一步的潜在应用。

普林斯顿大学机械与航空航天工程教授、该研究的作者之一 Egemen Kolemen 表示，这些发现「绝对」是核聚变向前迈出的一步。Kolemen 表示：「这是最大的障碍之一——中断——你希望任何反应堆都能全天候（24/7）运行多年，不会出现任何问题。这些类型的中断和不稳定会带来很大的问题，因此开发这样的解决方案增强了他们的信心，让他们相信我们可以毫无问题地运行这些机器。」

相关研究以《Avoiding fusion plasma tearing instability with deep reinforcement learning》为题，于 2024 年 2 月 21 日发布在《Nature》上。