AI平台提升聚变反应堆安全与性能
摘要
研究团队开发了两个AI平台来提升聚变反应堆性能：一个是可解释的破裂预测器，能提前137毫秒预警锁定模式引发的破裂，准确率达94%；另一个是多任务学习框架，可同时分类等离子体约束状态和检测边界局域模，识别准确率达96.7%。这些创新提高了反应堆安全性和运行性能。
聚变能源有望提供清洁、几乎取之不尽的电力，但未来的反应堆必须可靠运行以防止破坏性破裂并维持精确的等离子体约束。破裂是突然而剧烈的事件，威胁反应堆的完整性，而维持高性能约束状态对于持续运行至关重要。
为解决这些问题，研究团队构建了两个专门的人工智能平台。第一个是破裂预测器，采用决策树模型识别由锁定模式（一种常见的等离子体不稳定性）引发的破裂早期预警信号。与不透明的黑盒算法不同，该模型具有可解释性，能够指出其预测背后的物理原因。在试验中，它成功地在94%的情况下发出警告，警报在破裂前137毫秒到达——这足以采取应对措施。
第二个AI系统专注于实时等离子体监测。研究人员没有依赖单独的模型来分类约束状态（如L模和H模）并检测边界局域模（ELMs），而是开发了一个多任务学习框架，可同时执行这两项任务。这种方法提高了准确性和鲁棒性，在识别等离子体条件方面达到了96.7%的成功率。
这些创新共同通过提升安全性、改善性能以及促进对等离子体动力学的更深入理解，推动了下一代聚变反应堆的发展前景。
研究报告：基于多任务学习神经网络自动识别托卡马克等离子体约束状态（L模、无ELM的H模和含ELM的H模）