2024年，中国科学技术大学语音及语言信息处理国家工程研究中心、科大讯飞、中科院等离子体物理研究所、合肥综合性国家科学中心能源研究院达成长期合作，建立联合团队致力于实现AI赋能等离子体科学研究平台、数字托卡马克反应堆、托卡马克控制与实验数据分析。近日，首批成果以论文形式正式发表在核聚变领域顶级期刊《Nuclear Fusion》上。
文章标题：《PaMMA-Net: plasmas magnetic measurement evolution based on data-driven incremental accumulative prediction》
论文地址：https://iopscience.iop.org/article/10.1088/1741-4326/ae0655
研究团队提出并验证了一种基于深度神经网络代理的等离子体磁测量演化模型PaMMA-Net。该模型基于EAST（全超导托卡马克装置）长期放电实验数据训练，结合微变累计预测等多种领域相关方法，实现了演化模型在推理速度、演化精度、非线性强耦合适应性方面的显著提升，弥补了聚变等离子体控制领域传统基于物理的演化模型的不足。这一研究成果为长期困扰聚变研究的快速高精度等离子体演化建模难题提供了新的解决思路，验证了深度神经网络在支撑精确控制与加速可控核聚变实现上的关键潜力。
《Nuclear Fusion》是国际原子能机构（IAEA）主办的旗舰学术期刊，自1960年创刊以来一直是核聚变与等离子体物理领域的权威平台和公认的顶级期刊之一，不仅发表了许多奠基性成果，还长期引领着国际聚变研究的前沿方向。期刊聚焦于磁约束聚变和惯性约束聚变等方向，涵盖等离子体理论、实验、诊断、材料与工程等全链条研究，是核聚变科学家和工程师的重要学术交流窗口和推动聚变能走向可控应用的重要平台。
托卡马克聚变的背景与难点
核聚变被广泛认为是人类未来最理想的能源形式。与传统的化石能源相比，核聚变几乎不会产生温室气体排放，对环境友好；与核裂变相比，它不会产生放射性核废料，安全性更高。除此之外，核聚变的燃料主要来自海水中的氘和可在堆内自给的氚，储量丰富。更重要的是，聚变反应能量密度极高，一小杯海水中的氘蕴含的聚变能就足以满足一个人一生的电力需求。
核聚变反应的能量密度高
托卡马克装置是目前实现可控核聚变最具前景的技术路线之一。相比于其它磁约束聚变方案，托卡马克方案在过往几十年的研究中积累了丰富的实验成果和理论基础，已经形成了较为成熟的技术体系，并在约束时间、等离子体稳定性和能量增益等方面率先取得了突破。
东方超环EAST装置，位于安徽省合肥市科学岛
全超导托卡马克装置（英文缩写EAST，又名“东方超环”），是我国自主设计、研制并成功运行的国际上首个全超导托卡马克装置。其实现了3.5特斯拉纵场强度、百万安培等离子体电流、千秒持续、亿度高温的主要技术指标，是全球重要的稳态偏滤器托卡马克前沿物理与工程技术实验平台。
托卡马克装置响应模型及反馈控制流程图
目前，托卡马克核聚变的控制方法主要集中在对等离子体的稳定性、形状以及能量约束的精确调节上。首先，在宏观层面上，利用外部线圈产生的磁场来控制等离子体的平衡和形状，使其稳定地悬浮在真空腔体中，避免与壁面直接接触。其次，在微观层面，需要通过反馈控制来抑制各种磁流体不稳定性，这些不稳定性若不加以抑制，会导致能量快速流失甚至等离子体崩溃。
然而，托卡马克聚变仍然面临巨大的挑战。首先，是高温、强磁场、大装置带来的一系列极端的科学与工程难题。其次，等离子体本质上极不稳定，容易出现扰动、紊乱和能量损失，现有的物理模型难以完全演化等离子体的长期行为和不稳定性。因此，构建一个更精准与鲁棒的响应模型对于托卡马克控制至关重要。无论是基于传统控制理论的状态方程方法还是基于强化学习的智能控制方法，其成效都依赖于对等离子体响应的准确刻画。
基于深度神经网络的响应模型PaMMA-Net：
在此基础上，联合团队此次发表的研究成果提出了称为PaMMA-Net的等离子体磁测量响应模型，精确构建了托卡马克极向感应强度与磁通、等离子体电流、内感、储能、比压和线圈控制电压间的响应关系。基于人工智能方法自主学习EAST上的超万次放电实验，构建了长时稳定、泛化良好的数据驱动响应模型。相比于传统物理模型，实现了升降段、切换段性能优势和推理速度优势。
PaMMA-Net的工作流程及模型结构，模型包括状态融合预测、变量分离映射和微变累积预测等模块
PaMMA-Net是一种逐点的、仅编码器的、基于Transformer架构的模型，融合了三项关键创新。
一、微变累计预测替代直接预测：基于电磁传感器的测量特性，预测微变量再累积得到演化过程，既缩小了建模动态范围，又契合“平衡+扰动”的物理建模思路，实现了对细粒度等离子体演化的高精度刻画；
二、状态融合预测：解决了观测信号与控制信号维度不齐，以及磁感应强度与磁通“类内强相关、类间弱相关”的建模难题；
三、指定频带的数据增强：在不破坏低频物理规律的前提下提升了高频扰动的多样性，从而增强了模型的鲁棒性与泛化能力。
测试集中所有放电的演化相似性度量及其分布，每个数据点代表一次放电
对编号125323放电样本的四个时刻采用平衡重建后得到的等离子体边界与放电参数。下方展示了该编号放电样本全程的预测结果。
在包含860次放电记录的测试集中，PaMMA-Net的预测相似度平均超过95%，对绝大多数放电保持90%以上的精度，显著优于传统方法。基于其预测结果的平衡重建能够准确恢复等离子体形状及多种关键参数，并在放电的上升段、平顶段、下降段和切换段均表现稳定。这表明PaMMA-Net在响应模型的长时稳定性和跨实验条件泛化这两个学界难题上取得了突破，为高精度、快响应的等离子体控制提供了可行路径。
总的来说，深度神经网络代理响应模型是AI赋能聚变研究的重要场景。PaMMA-Net这样能够在长时段内高精度演化磁测量的响应模型可以被应用到多种场景中。例如在先进控制器设计中，响应模型可作为“虚拟实验装置”，为强化学习、模型预测控制等算法提供模拟环境，加速高性能控制器的开发；在放电规划中：响应模型可以在实验前探索不同加热、供电、磁约束配置下的稳定运行方案，优化实验参数配置，减少昂贵的试错成本；在物理过程解析中：对比磁测量预测与实验结果，响应模型有助于定位潜在的物理机制缺失。深度神经网络在等离子体演化建模方面展现出更高的精度以及更快的推理速度，为托卡马克装置强化学习控制提供了高效的仿真工具，为加速研究进程、助力可控核聚变实现商业化提供了关键支撑。