幾十年來，核聚變釋放能量的「精妙」過程一直吸引著科學家們的研究興趣。

現在，在普林斯頓等離子體物理實驗室（PPPL）中 ，科學家正借助人工智能，來解決人類面臨的緊迫挑戰：通過聚變等離子體產生清潔、可靠的能源。

與傳統的計算機代碼不同，機器學習不僅僅是指令列表，它可以分析數據、推斷特征之間的關系、從新知識中學習并適應。

PPPL 研究人員相信，這種學習和適應能力可以通過多種方式改善他們對聚變反應的控制。這包括完善超熱等離子體周圍容器的設計、優化加熱方法以及在越來越長的時間內保持反應的穩定控制。

近日，PPPL 的 AI 研究取得重大成果。PPPL 研究人員解釋了他們如何使用機器學習來避免磁擾動破壞聚變等離子體的穩定性。

圖示：上面顯示的兩個托卡馬克（DIII-D 和 KSTAR）裝置中部署了用于檢測和消除等離子體不穩定性的機器學習代碼。（來源：通用原子公司和韓國聚變能源研究所）

該論文的主要作者、PPPL 研究物理學家 SangKyeun Kim 表示：「研究結果令人印象深刻，因為我們能夠使用相同的代碼在兩個不同的托卡馬克裝置上實現這些結果。」

相關研究以《Highest fusion performance without harmful edge energy bursts in tokamak》為題，發布在《Nature Communications》上。

論文鏈接：https://www.nature.com/articles/s41467-024-48415-w

抑制聚變中「邊緣爆發」

為了使聚變能在全球能源市場上具有經濟競爭力，它必須在維持聚變的同時，實現具有足夠等離子體密度（n）、溫度（T）和能量約束時間（τ）的高聚變三重積（nτT）。

換句話說，聚變等離子體需要足夠的品質因數（G?∝?nτT）才能實現高聚變性能，并且隨著等離子體約束質量 (H89：歸一化能量約束時間) 的增加而增加。

為了使托卡馬克設計成為聚變反應堆的可行選擇，必須開發可靠的方法來定期抑制邊緣爆發（edge burst）事件而不影響 G。

科學家已經通過各種方法來減輕邊緣爆發事件。一種有效的方法是利用外部 3D 場線圈的共振磁擾動 (RMP)，這已被證明是最有前途的邊緣爆發抑制方法之一。

圖示：托卡馬克中的 3D 場線圈結構。（來源：論文）

然而，這種情況的代價高昂，導致 H89 和 G 與標準高約束等離子體體系相比顯著惡化，從而削弱了經濟前景。此外，3D 場還增加了災難性核心不穩定的風險，稱為中斷，這甚至比邊緣爆裂更嚴重。因此，無邊緣爆發操作與高約束操作的安全可及性和兼容性亟待探索。

首次在兩個托卡馬克上實現

該研究首次在 KSTAR 和 DIII-D 兩個托卡馬克上進行了創新和集成的 3D 場優化，通過結合機器學習 (ML)、自適應和多機器功能，來自動訪問和實現幾乎幾乎完全無邊緣爆發狀態，同時從最初的爆發抑制狀態提高等離子體聚變性能，這是未來反應堆實現無邊緣爆發運行的一個重要里程碑。

這是通過實時利用無邊緣爆發起始和損耗之間的滯后來增強等離子體約束，同時擴展 ML 在捕獲物理和優化核聚變技術方面的能力來實現的。

圖示：DIII-D 和 KSTAR 托卡馬克中 ELM-free 放電的性能比較。（來源：論文）

這種集成有助于：

• 高度增強等離子體約束，在兩臺機器的無邊界局域模（Edge Localized Mode-free，ELM-free）場景中達到最高融合 G，G 增加高達 90%；
• 使用基于 ML 的 3D 場模擬器首次實現全自動 3D 場優化；
• 從等離子體操作一開始就同時建立爆發抑制，實現接近 ITER 相關水平的幾乎完全的無邊緣爆發操作。這一成就為國際熱核聚變實驗反應堆（ITER）等未來設備邁出了至關重要的一步，在這些設備中，依賴經驗 RMP 優化不再是可行或可接受的方法。

「等離子體中存在不穩定性，可能會導致聚變裝置嚴重損壞。我們不能在商業聚變容器中使用這些物質。我們的工作推動了該領域的發展，并表明人工智能可以在管理聚變反應方面發揮重要作用，避免不穩定，同時允許等離子體產生盡可能多的聚變能。」通訊作者、PPPL 機械和航空航天工程系副教授 Egemen Kolemen 說道。

基于 ML 的全自動 3D 場優化

在本實驗中，使用一系列放電來尋找安全 ELM 抑制的優化 3D 波形。

在此背景下，研究引入了 ML 技術來開發自動化 3D 線圈優化的新穎路徑，并首次演示了該概念。

圖示：基于機器學習的實時 RMP 優化算法。（來源：論文）

研究人員開發了 GPEC 代碼的代理模型 (ML-3D)，以實時利用基于物理的模型。該模型使用 ML 算法將計算時間加速到 ms 級，并集成到 KSTAR 中的自適應 RMP 優化器中。

ML-3D 由一個完全連接的多層感知器（MLP）組成，由九個輸入驅動。為了訓練該模型，利用 8490 KSTAR 平衡的 GPEC 模擬。

圖示：ML-3D 模型性能。（來源：論文）

該算法利用 ELM 狀態監視器（Dα）信號實時調整 IRMP，可以保持足夠的邊緣 3D 場來訪問和維持 ELM 抑制。同時，3D 場優化器使用 ML-3D 的輸出來調整 3D 線圈上的電流分布，從而保證安全的 3D 場以避免中斷。

圖示：具有集成 RMP 優化功能的全自動 ELM 抑制放電 (#31873) 的等離子體參數。（來源：論文）

KSTAR 實驗中，ML 集成的自適應 RMP 優化器在 4.5 秒內觸發，在 6.2 秒內實現安全的 ELM 抑制。

研究還表明 3D-ML 作為自動化無 ELM 訪問的可行解決方案。ML-3D 基于物理模型，不需要實驗數據，使其可以直接擴展到 ITER 和未來的聚變反應堆。這種對未來設備的強大適用性凸顯了 ML 集成 3D 場優化方案的優勢。此外，在未來的 3D 線圈電流限制更高的設備中，有望實現更好的場優化和更高的聚變性能。

研究成功優化了 KSTAR 和 DIII-D 裝置中的受控 ELM-free 狀態，并具有高度增強的聚變性能，涵蓋了與未來反應堆相關的 low-n RMP 到 ITER 相關的 nRMP = 3 RMP，并在兩臺機器中實現了各種 ELM-free 場景中的最高水平。

圖示：性能高度增強的優化 RMP 振幅 (#190738) 的等離子體參數。（來源：論文）

此外，ML 算法與 RMP 控制的創新集成首次實現了全自動 3D 場優化和 ELM-free 操作，并在自適應優化流程的支持下，性能得到了顯著增強。這種自適應方法展現了 RMP ELM 抑制和高限制之間的兼容性。

此外，它還提供了一種穩健的策略，通過最大限度地減少限制和無感電流分數的損失，在長脈沖場景（持續超過 45 秒）中實現穩定的 ELM 抑制。

值得注意的是，在 nRMP = 3 RMP 的 DIII-D 中觀察到顯著的性能 (G) 提升，顯示較初始標準 ELM 抑制狀態提高了 90% 以上。這種增強不僅歸因于自適應 RMP 控制，還歸因于等離子體旋轉的自洽演化。該響應能夠以非常低的 RMP 幅度進行 ELM 抑制，從而增強基座。此功能是系統通過對自適應調制的自組織響應過渡到最佳狀態的一個很好的例子。

圖示：通過自適應 RMP 優化提高放電性能。（來源：論文）

此外，自適應方案與早期的 RMP-ramp 方法相結合，實現了 ITER 相關的 ELM-free 場景，幾乎完全 ELM-free 操作。這些結果證實，集成自適應 RMP 控制是一種非常有前途的優化 ELM 抑制狀態的方法，有可能解決實現實用且經濟可行的聚變能源的最艱巨的挑戰之一。