跳到正文
返回核聚变能源
至真探索 · 核聚变能源

加热电流驱动与RMP实时闭环

2026-09-28

这一篇要回答的问题，跟之前那三篇不一样

托卡马克的控制，外面看是一件事，拆开是两件。外圈管等离子体的位置和形状，执行器是磁场线圈；内圈管等离子体的里子——温度多高、密度多大、电流分布成什么形状、边缘那道台座稳不稳。这篇只讲内圈，而且只讲内圈里最麻烦的那一半：让机器学习钻进加热与电流驱动系统（中性束、电子回旋、离子回旋、低杂波）和共振磁扰动线圈的实时回路。

和知识库里已有的三篇分工是这样的。《聚变加热与电流驱动》（20260830T174152）讲的是这四个执行器本身：它们怎么工作、历史上做出过什么、最近有什么装置新闻，通篇没有一个机器学习。这篇不问它们是什么，问的是怎么把它们管住。《台座与ELM抑制RMP》（20260822T224439）讲的是 RMP 为什么能压住边缘局域模，RMP 在正文里出现五十九次、ELM 八十四次，但几乎不碰机器学习。这篇不问 RMP 为什么管用，问的是怎么让它在几百毫秒内自己找到该用多大的谱形。《AI聚变控制诊断与跨装置迁移》（20260830T174401）讲的是 AI 怎么扶住等离子体、怎么躲开破裂、怎么换一台机器还能用——它的镜头对着磁场位形控制、破裂预测、诊断和跨装置迁移，四个加热执行器一次都没提，RMP 只出现两次。这篇的镜头正好反过来，对着执行器。

一句话说清分界：前面的文章讲"要不要用 AI 控制等离子体"，这篇讲"AI 要控制等离子体，中间隔着一排不听话的加热器"。

先把一句话说清楚

线圈是"喊一声就到"，加热器不是。

Poloidal field 线圈通电，磁场立刻变，等离子体在毫秒之内挪位置。这是外圈。加热和电流驱动不一样：回旋管的镜面转一个角度，波要穿过密度梯度、被折射，最后落在哪一层磁面上，得算；中性束打进去，要先衰减、再电离，还有一小截根本没电离就穿过去了；离子回旋天线的耦合电阻随边缘密度剧烈起伏，而边缘密度又被边缘局域模反复打断。

所以这条线上有一件必须先办的事：得有一个实时的模型告诉我"我现在到底在往哪儿推"。 这个模型不能是原来那套物理代码——它们跑得太慢。于是机器学习进了聚变控制回路的第一站，不是当控制器，是当眼睛。

第一站：把慢代码压成快函数

先看四只已经做出来的眼睛，一个一个说。

回旋管这只眼。 电子回旋加热要在"波的频率等于当地电子回旋频率"的那层磁面上被吸收。这层磁面在哪，取决于当地的磁场；而波在抵达之前会被密度梯度掰弯。算这个的标准工具叫 TORBEAM，是个光线追踪代码。精简版的实时 TORBEAM 大概要跑十毫秒，过去的应用里这个延迟能忍，但 ELM 和锯齿的周期只有二十到五十毫秒——十毫秒的延迟意味着你还没算完，扰动已经把剖面改了。A. Rothstein 和同事做了 TorbeamNN：一个机器学习代理，比那个已经优化过的实时 TORBEAM 快一百倍以上，精度不输离线的全保真版本，在 KSTAR 上用来跟踪电子回旋吸收的垂直位置，平均跟踪误差 0.5 厘米。工作发在 *Plasma Physics and Controlled Fusion* 67 卷 5 期 055036（2025），十五位作者，来自普林斯顿大学、普林斯顿等离子体物理实验室（PPPL）、韩国聚变能研究院（KFE）和首尔大学。这一篇后来在同一个刊物的 67 卷 079501 出了勘误，补了漏掉的资助信息。一作 A. Rothstein 也是后面要讲的 PACMAN 框架的并列一作——同一个人，两年之内把"看得见"和"看得准"两件事一起做了。

中性束这只眼。 中性束的道理是先加速氢原子、中和、打进磁场里去，进去以后被电离，把速度和能量交出来。算这个的标准工具叫 NUBEAM，是个蒙特卡洛代码，一次要跑好几分钟。PPPL 的 M. D. Boyer、S. Kaye 和 K. Erickson 三位，用神经网络学了 NUBEAM 在 NSTX-U 上的输入输出，做出 NubeamNet：单次评估压到一百五十微秒以内，中子产率、穿透损失这些标量，和束驱动电流、加热这些剖面，都能复现。文章发在 *Nuclear Fusion* 59 卷 5 期 056008（2019）。作者只有三人，这一点值得留意——这条线上不少奠基性工作都是小团队做出来的，不是大兵团。

低杂波这只眼。 低杂波电流驱动的沉积位置由波导阵列的相位差决定，这决定了波的平行折射率，也就决定了电流驱动在径向的落点。麻省理工等离子体科学与聚变中心的 G. M. Wallace 和同事用三种机器学习方法（多层感知机、随机森林、高斯过程）给 GENRAY/CQL3D 这套光线追踪加福克-普朗克求解器做了代理模型，训练集是一万六千多次模拟，输入九个数（中心电子密度、中心电子温度、等离子体电流、环向磁场、大半径、平行折射率、有效电荷数、环路电压、低杂波功率），把单次推理从几分钟压到毫秒量级。文章发在 *Journal of Plasma Physics* 88 卷 4 期 895880401（2022），八位作者，分别来自麻省理工、劳伦斯伯克利国家实验室、PPPL 和旧金山州立大学。2025 年 11 月麻省理工又出了一份技术报告，口径更明确：目标就是让射频驱动的电流剖面能在毫秒时间尺度上算出来，然后送进控制回路。

输运这只眼。 这只是最关键的，因为它管的不是一个执行器的局部效果，而是整个芯部的温度、密度、旋转会怎么演化。荷兰基础能源研究所（DIFFER）的 K. L. van de Plassche 和同事做了 QLKNN：拿三亿次 QuaLiKiz 准线性回旋动理学计算当训练集，学出一个代理模型。QuaLiKiz 算一个径向位置、一个时间步要十 CPU 秒，QLKNN 只要一 CPU 毫秒——快了四个数量级。代价是精度：QLKNN 和 QuaLiKiz 的偏差在无旋转情况下是 1%–15%。文章发在 *Physics of Plasmas* 27 卷 2 期 022310（2020），十位作者，来自荷兰、法国原子能委员会（CEA）的 IRFM 和英国原子能管理局（UKAEA）。关键在于那个"快"，使得它被接进了两个实时框架：集成建模平台 JINTRAC，和面向控制的快速输运求解器 RAPTOR。

说到 RAPTOR，这是这条主干线上最早的样板。洛桑联邦理工学院（EPFL）瑞士等离子体中心的 F. Felici 和 O. Sauter 等人做出 RAPTOR，用 1 毫秒的时间步在 TCV 上实时解电流扩散方程，把欧姆线圈电压、非感应电流源、自举电流都算进去，同时给出通常实时拿不到的物理量——自举电流份额、安全因子剖面、磁剪切、环路电压。然后他们用这套东西去反馈控制温度和电流剖面，执行器就是 TCV 的多台电子回旋加热器。

RAPTOR 有一个别人不太提但很要紧的性质：它在预测模式下不只给等离子体对执行器输入的响应，还给出一阶灵敏度。也就是说，它天生适合做梯度优化。这一点和后来的 QLKNN 撞上了——QLKNN 作为解析函数，也能给出输出对输入的雅可比。两个能力合起来，才让"剖面优化"从慢慢试变成真的优化。相关文章有三篇值得并排看：*Nuclear Fusion* 58 卷 9 期 096006（2018）、*Plasma Physics and Controlled Fusion* 54 卷 2 期 025002（2012）、*Nuclear Fusion* 52 卷 7 期 074001（2012）。

2023 年 EPFL 的 S. Van Mulders 的博士论文把这条线推到优化：用 RAPTOR 耦合神经网络的输运模型，对 ITER 混合场景在不同等离子体电流、密度、台座高度和加热配比下优化电子回旋电流驱动的沉积，目标是让聚变增益 Q 最大，同时保持安全因子大于 1、避开锯齿。ASDEX Upgrade 上的对照实验也做了：爬升期加热造出抬高的安全因子剖面，再用离轴中性束加中心反向电子回旋电流驱动维持住。

离子回旋和低杂波这两端，眼睛先看到的是"耦合"

上面说的四只眼，盯的都是"我推的力落在哪"。还有一类眼睛盯的是另一件事：我的力推得进去吗。

离子回旋加热的软肋是天线耦合。等离子体边缘的密度一变，耦合电阻就变；而边缘密度恰恰是最不安分的那一段——边缘局域模一爆发，它就跳一下。华中科技大学的邓宇龙（Y. Deng）、耿文韬（W. Geng）、伍俊杰（J. Wu）、杨良辉（L. Yang）、夏冬辉（D. Xia）和 J-TEXT 团队做了个长短期记忆网络（LSTM）来预报 J-TEXT 上的离子回旋耦合电阻：三层 LSTM（128、64、32），后面接三层全连接，训练集 60 炮、测试集 12 炮，都用离子回旋持续时间超过 50 毫秒的炮。结果是输入信号给到 23 路、提前 1 毫秒时，平均绝对百分比误差 6.82%；同样的设置下多层感知机是 7.17%。输入从 7 路加到 15 路再到 23 路，误差从 18.02% 降到 10.08% 再降到 6.82%——这个序列本身就说明，耦合这件事是多变量问题，靠一两个信号看不出来。文章发在 *Plasma Science and Technology* 28 卷 7 期 075602（2026），DOI 是 10.1088/2058-6272/ae6c08。

这里要拦一句：这篇论文自己说的是"稳态工况下的短期预测"，预报的是耦合电阻会怎么变，不是在闭环控制天线。中文转述里很容易把它讲成"AI 控制了离子回旋加热"，那是另一个量级的事。

跟离子回旋同一侧的还有一件更靠前的工作：重庆邮电大学、中国科学技术大学、西安电子科技大学和中国科学院合肥物质科学研究院合作，给 EAST 的离子回旋全波计算做了个"各向异性麦克斯韦神经算子"（AMNO）。做法是在一个由氢少子份额参数化的介电张量场家族里（份额从 0.01 扫到 0.05），学一个从空间变化的复数各向异性介电张量场到三分量复数电场的解算子。跟 COMSOL 的参考解比，在只用 7.5% 参考场点的情况下，相对 L2 误差比同样稀疏监督的傅里叶神经算子（FNO）低 66.1% 到 89.9%，单例推理大约 0.25 秒。这个成果目前是预印本（arXiv:2608.27490，2026 年 8 月 26 日提交），九位作者，通讯作者是重庆邮电大学的 Qin Hang（邮箱在 cqupt.edu.cn）。它解决的还不是控制问题，是参数扫描问题：把"每个组态算一遍"变成"亚秒级批量算"，而扫描本身就是设计下一代天线和选择运行窗口的前提。

RMP 和 ELM：为什么这一块走得最远

如果只能挑一个例子说明"机器学习真的把执行器侧的闭环闭上了"，那就是这里。

先说清楚难在哪。RMP 是拿一组三维线圈在等离子体边缘造磁扰动，把本来会周期爆发的边缘局域模按住。麻烦在于：扰动幅度开大了，边缘约束就变差，性能掉下来。于是研究者一直在一个两头都不讨好的区间里找平衡。

但这条线上有一个物理给的礼物：迟滞。一旦等离子体进入了 ELM 被抑制的状态，就可以把 RMP 幅度往下调，而不会掉回原来的状态。这个迟滞就是优化的空间——你不是要找一个点，而是要沿着迟滞回线往下走，直到走不动为止。这在控制上叫"自适应"。

问题在于另一个环节：RMP 的谱形和幅度怎么定？用物理代码去优化，一个时间点要算几十秒。等离子体毫秒级在变，几十秒的优化只能提前算好、开环预设。于是"优化"这件事就变成了"打提前量"，而提前量一旦打错，性能就白丢。

2022 年，R. Shousha 和同事在 *Physics of Plasmas* 29 卷 3 期 032514 上给出 KSTAR 上的自适应 RMP ELM 控制器，十三位作者。这一步把"幅度自适应"做通了，但谱形还是预设的。

2024 年 5 月 11 日，同一条线上出了那个决定性的结果。S. K. Kim、R. Shousha 等人发在 *Nature Communications* 15 卷 3990，标题就是结论：*Highest fusion performance without harmful edge energy bursts in tokamak*（在托卡马克上实现无有害边缘能量爆发的最高聚变性能）。二十四位作者，普林斯顿大学和 PPPL 领衔，联合韩国聚变能研究院、首尔大学、哥伦比亚大学等。做法是给物理优化代码配一个机器学习代理（论文里叫 ML-3D），把"算一个点几十秒"压到毫秒量级，然后塞进实时回路里。于是控制器可以逐毫秒看着等离子体状态，实时改 RMP 的幅度和谱形。

结果有两台机器上的证据：DIII-D 和 KSTAR。在 DIII-D 上，ELM 被抑制住了，同时聚变性能指标（H₈₉ 乘 β_N 再除以 q₉₅ 的平方）比常规的、未优化的 ELM 抑制最高提升 90%；从进入高约束模到放电结束，几乎全程 ELM 都被压住。同一项工作在 2024 年美国物理学会等离子体分会场（APS DPP）的报告摘要里，把这个数字讲得更细：相对常规抑制最高提升 90%，其中性能的提升来自等离子体流的变化——E×B 旋转的零交叉层往外移，跟位于台座顶部附近的 11/3 磁岛重叠，于是可以在 RMP 幅度降到极低的情况下维持一个小磁岛和控制住 ELM，台座约束随之恢复。

这里要拦一句中文报道常见的转述误差：有媒体把这 90% 写成"性能翻倍"。按论文与合作组口径，是最高提升 90%，不是一倍。数字差着一半。

2025 年，R. Shousha 等人在 *Nuclear Fusion* 65 卷 8 期 086021 上把 DIII-D 和 KSTAR 上的方案统一起来，二十二位作者。同一时期，M. Kim 等人在 KSTAR 上做到了用 RMP 加充气实时控制台座顶部的电子密度：密度用参数化的归一化极向磁通网格加五道线平均密度重建，重建用一个多层感知机加速到约 120 微秒，足够实时；配一个比例-积分控制器，增益来自系统辨识。结果是电子密度跟动态目标的绝对百分比误差约 1.5%（中位数）、2.5%（平均）。这个工作把 RMP 从"压 ELM 的工具"扩展成了"调密度的执行器"——一个执行器，两个用途，这正是后面要讲的欠驱动问题的具体样子。

还有一条容易被当成技术细节、其实是方法论突破的工作。2025 年 9 月 26 日，A. Jalalvand 等人发在 *Nature Communications* 16 卷 8506 的 Diag2Diag 框架，做的不是控制，是造数据：用其它诊断的信息去重建高时间分辨率的汤姆孙散射数据，而推理时完全不需要目标诊断本身的直接测量。用这套合成数据，他们看到了边缘的电子温度和密度同时被压平，位置在台座区域，这为"RMP 通过形成磁岛来抑制 ELM"这个图景提供了新的观测支持。九位作者，普林斯顿大学与 PPPL 领衔，联合首尔大学等。

这一条的价值在于，它说明机器学习在这条线上的作用不只是"推得更快"：它还能反过来告诉你物理是什么。当时在 PPPL 的 Qiming Hu 说得很直白——受汤姆孙诊断本身的限制，这个压平过程平时观察不到，是 Diag2Diag 把它演化的细节显出来了。

还有一条解决"另一类问题"的工作。R. Sonker、A. Capone 等六人（卡内基梅隆大学、普林斯顿大学、PPPL）在 ICML 2025 上（论文集 PMLR 267 卷，56465–56479 页）给了个多时间尺度贝叶斯优化方案：高频的数据驱动动力学模型配一个低频高斯过程，在实验与实验之间更新高斯过程，用来修正那个不太可靠的动力学模型。在 DIII-D 上控撕裂不稳定，高不稳定场景下成功率 50%，比历史结果好 117%。这篇解决的是文献里不常正面处理的问题：装置本身在变。换壁、束线故障、故意注入杂质，任何一件都会让上一炮学到的模型失效。

最后一篇是机器学习进来之前的样子，放在一起看才显出差别。韩国聚变能研究院（KFE）和首尔大学的 M. S. Cha、M. H. Woo、S. Hahn、Y.-S. Na 等八人，在 *Fusion Engineering and Design* 212 卷 114850（2025 年 3 月）报告了 KSTAR 上的实验：故意把一个 2/1 新古典撕裂模诱导出来（模幅约 15 高斯），然后用 700 千瓦的电子回旋波把它压下去，发射角由"最小值搜索"控制器决定——实时估计岛宽的生长率，然后朝让它变小的方向转。非机器学习，但控制器本身就是个搜索算法。把这一条和后面要讲的 2014 年 DIII-D 的"盲搜索"并排看，就能看出：在撕裂模这条线上，"搜索"一直是控制逻辑的一部分，机器学习进来是把搜索从"一厘米一步地试"变成"先预测、再算该往哪转"。

从"看见"到"下手"：十二年的差别

2014 年，E. Kolemen 和同事在 *Nuclear Fusion* 54 卷 7 期 073020 上发表了 DIII-D 的"抓与压"（catch and subdue）方案，十位作者。逻辑是这样的：岛一形成就自动检测到，打开回旋管，把可实时转向的电子回旋电流驱动镜面尽快挪到岛的位置，在它长大之前压下去。在两次撕裂模之间可以把电子回旋电流驱动关掉省功率——这一点对 ITER 直接有用，因为省下来的功率预算可以给别处，聚变增益 Q 就上去了。

但"挪到岛的位置"这件事当时怎么做的？文章里写得很实在：用一个盲搜索加抑制的算法——等离子体每次径向挪大约 1 厘米，在每个位置停 50 到 100 毫秒，看 n=2 模的幅度降没降，降了就继续，升了就把方向反过来。大约 2.3 兆瓦的电子回旋电流驱动压住了一个饱和的 3/2 模，压住之后 β_N 从 2 提到 3，涨了 50%。这是一次漂亮的实验，也是"慢执行器 + 无实时模型"的典型代价：你只能试。

十二年后，同一件事的两半被分别做出来了。

一半是"提前知道"。2026 年 3 月，*Physics of Plasmas* 33 卷 3 期 032502 登了 H. J. Farre-Kaga、A. Rothstein 等九人的工作：用深度生存机器（Deep Survival Machine）预测撕裂模，AUROC 达到 0.92，预警时间约 1000 毫秒；然后用 Shapley 值把模型拆开看它到底在看哪些剖面特征，发现 β_N、加热和部分形状参数的影响很大。基于这个预测器，他们在 DIII-D 上做了抢占式抑制：预测到风险就把回旋管镜面转向 q=2 面，让本来会失稳的运行条件实现了无撕裂模运行。这篇需要注意一点：它在 *Physics of Plasmas* 33 卷 4 期 049902 有出版社勘误。

另一半是"知道往哪转，转多少"。2026 年 7 月，*Nuclear Fusion* 66 卷 7 期 076050 登了 A. Rothstein、H. J. Farre-Kaga 并列一作的 PACMAN 框架（预印本 arXiv:2511.08818 于 2025 年 11 月 11 日上线），十位作者，来自普林斯顿大学、PPPL 和日本量子科学技术研究开发机构（QST）。

PACMAN 是这整篇文章的收束点，因为它是把前面所有零件装成一台机器。它的名字是"用机器学习做预测与控制"（Prediction And Control using MAchiNe learning）的缩写，架构分四级：第一级收全部实时测量（磁探针、电子回旋辐射、干涉仪、汤姆孙散射），检查错误、打包；第二级跑模型（从深层神经网络到储备池计算都有）；第三级是控制器（有限状态机、比例-积分-微分、模型预测控制优化器都能装）；第四级是输出与仲裁——解决控制器之间的命令冲突、按硬件上限截断、送给下层硬件接口。

第四级那一段最不起眼，却是整个设计里最要紧的一块。它的原则写得很朴素：冲突时先保机器安全。

整个回路大约 20 毫秒转一圈，也就是每秒约 50 次。在这个回路里跑了五件事：一个强化学习控制器（原本为 DEMO 训练，搬过来控 β_N 轨迹和内输运垒的激发，50 毫秒一个周期）、一个宽台座无 ELM 准高约束模预测器、一个阿尔芬本征模控制器、一个模型预测控制剖面控制器（把电子温度、密度、电流密度放在一次协调动作里调），以及一个状态机式的撕裂模预测-控制——先预测，再把电子回旋电流驱动转向 q=2 面，推理时间不到 10 毫秒。装到 DIII-D 上只升了软件，没加硬件、没加探头、没加控制回路。

把 2014 年和 2026 年并排看：同一个装置，同一类模，同一批回旋管。2014 年是等离子体自己一厘米一厘米地挪着试；2026 年是先提前一千毫秒看出要来，再用代理模型算该往哪转、转多少。中间那十二年，补上的正是本文开头说的那件必须先办的事——一个实时的"我在往哪儿推"的模型。

还有一条对照物也该提。2024 年 2 月，*Nature* 626 卷 8000 期 746–751 页登了 J. Seo、S. K. Kim、A. Jalalvand 和 E. Kolemen 团队的强化学习避免撕裂不稳定工作，十位作者。这篇常被中文报道写错一件事：实验是在 DIII-D 上做的，不是 KSTAR。它的逻辑是把"未来撕裂概率"的预测模型当成强化学习的训练环境，让策略学会提前调执行器，把撕裂概率永远压在阈值之下。这一篇是"决策器"这一层的样板——不是眼睛，是手。

回旋管自己也在学

上面讲的都是"怎么指挥执行器"。还有另一件事被讲得少：执行器自己会坏。

回旋管是个真空电子器件，高功率长脉冲运行时会出故障——打火、跳模、过流。DIII-D 上一套基于 FPGA 的高压波形发生器，能在 10 毫秒出头把自发停振的回旋管重启、恢复满功率（Ponce 等，*Fusion Sci. Technol.* 73(1),1–4 (2017)，DOI 10.1080/15361055.2017.1387009）；德国 W7-X 走的是另一条路——不重启，而是利用回旋管的迟滞特性，最快 200 微秒、最慢不超过一个 2 毫秒的射频宽限期，就把标称模式从抢食的竞争模式手里拉回来（Wilde 等，*Fusion Eng. Des.* 148,111258 (2019)，DOI 10.1016/j.fusengdes.2019.111258）。但更好的做法是提前知道要来。

围绕回旋管本身的健康监测，已经有人做了两件事。第一件：J. She、X. Wang 等五人用 Transformer 编码器，拿 2019 年以来兆瓦级连续波回旋管测试台的数据建了个 52,772 点的数据集（其中 23,241 点是故障数据），AUC 0.869，真阳率 85.2%、假阳率 18.2%，离线测试证实能提前到秒级预警。文章发在 *Fusion Engineering and Design* 200 卷 114186（2024），DOI 10.1016/j.fusengdes.2024.114186。第二件：C. Wu、H. Zhang 等五人（中国科学技术大学和中国科学院合肥物质科学研究院）用高斯混合模型加多层感知机的组合处理噪声数据——回旋管采集的数据里天然混着不合理点，他们的框架能在后验概率上把噪声筛掉，140 GHz 台架上即使有 10% 噪声，识别射频振荡故障的准确率还能到 82.37%，比之前用干净数据训练的方法还好。文章发在 *AIP Advances* 15 卷 3 期 035150（2025），DOI 10.1063/5.0257521。

顺便说一个国内侧的比较有意思的细节：上面第二篇的参考文献里，引了一条 EAST 低杂波电流驱动的研究，讲的是电子回旋波加热引起的温度效应对低杂波的影响（*Nuclear Fusion* 63 卷 4 期 046019 (2023)，DOI 10.1088/1741-4326/acbec9）。也就是说，那两个被当成两套独立系统的执行器，其实在物理上是互相牵动的——低杂波的电流驱动效率受电子温度影响，而电子温度恰恰由电子回旋加热决定。这也解释了为什么"多目标抢同一批执行器"不是管理问题，是物理问题。

ITER 的麻烦不一样：不是算得快，是"抢"

Vu 等二十四人（ITER 组织与欧洲多家单位）在 *Fusion Engineering and Design* 222 卷 115501（2026 年 1 月）报告了 ITER 等离子体控制系统的设计进展。这一篇里最值得注意的不是算法，而是一个数字和一套机制。

数字是电子回旋加热的装机功率：ITER 组织在"再基线"提案里要求把它从 20 兆瓦翻倍到 40 兆瓦（研究运行起始阶段），到了氘-氚阶段还要进一步加到 67 兆瓦。

机制是执行器管理。同一个电子回旋系统在 ITER 上要同时干三件事：等离子体启动与击穿、加热、以及压制新古典撕裂模。这三件事要的东西不一样——启动要的是特定位置和时序的几千瓦，加热要的是功率，压撕裂模要的是精确的沉积位置加特定的时序。控制系统的设计里，必须有一层专门负责把互相冲突的请求排开、按优先级和执行器的实际状态分配出去，还要有异常处理机制应对脉冲中的非常事件。

这一点用 D. Humphreys 等二十人 2015 年在 *Physics of Plasmas* 22 卷 2 期 021806 上那张 ITER 控制功能-执行器对照表能看得更清楚。表里把每个控制目标对应到执行器：电流剖面归中心螺线管线圈加电子回旋电流驱动；锯齿控制归电子回旋加强离子回旋；ELM 控制归 RMP 线圈加步进弹丸；撕裂模控制归电子回旋电流驱动、内部 RMP 线圈、中性束、离子回旋和误差场校正线圈。

把这张表横着读一遍，结论就出来了：几乎每个控制目标都对应多个执行器，而几乎每个执行器都对应多个目标。欠驱动和抢资源不是设计缺陷，是托卡马克这个对象的固有属性。这也是为什么在剖面控制这一层，模型预测控制比比例-积分-微分更合适——它是少数天生就能处理"一堆目标抢一堆执行器、还带约束"的框架，PACMAN 里装的那个剖面控制器用的就是它。

诚实的账：三个数字，三条限制

先把三个能说明边界的数字摆出来。

QLKNN 跟它的老师 QuaLiKiz 的偏差是 1%–15%。这意味着代理模型的误差会直接变成控制器的误差，而且它不会告诉你什么时候它错了。

TorbeamNN 在 KSTAR 上跟踪吸收位置的平均误差是 0.5 厘米。听着很小，但新古典撕裂模的岛宽本身就是厘米量级——误差和目标的尺度是同一个数量级。

PACMAN 的回路是 20 毫秒。而 ELM 的周期可以是 20 到 50 毫秒。也就是说，你一个来回，人家可能已经爆发过一次了。

三条限制，一条比一条难绕。

第一是欠驱动。目标比执行器多，而且一个执行器要同时服务多个目标。RMP 那个例子最典型：一开始它只压 ELM，后来发现它还能调台座顶部密度，于是同一个线圈要同时管两件事。模型预测控制能缓解这个问题，但缓解不了它的本质——物理上就那么多只手。

第二是慢执行器是硬瓶颈。电子回旋的镜面可以快转，中性束的束能可以快调（代价在束线本身），但离子回旋和低杂波的相位匹配是机械或准光学的，动一次是秒级。算法再快，也快不过执行器。这一点上，机器学习能做的只有两件事：提前知道（预测器）、以及在最省的时机下手（优化器）。它不能把机械装置变快。

第三是最要紧的一条：这些代理模型学的是代码，不是等离子体。NubeamNet 的老师是 NUBEAM，TorbeamNN 的老师是 TORBEAM，QLKNN 的老师是 QuaLiKiz。它们会忠实地学下老师的偏差，而且是带着自信地学。这是所有代理模型路线的共同天花板，也是为什么实验标定和不确定度量化不是可选项。

最后说一句最诚实的判断。这条线上目前最扎实的战果，是让本来跑不动的东西跑得动——代理模型那一层，从 TORBEAM 到 TorbeamNN、从 NUBEAM 到 NubeamNet、从 QuaLiKiz 到 QLKNN，每一步都有清楚的加速倍数和清楚的误差范围。真正把闭环闭上、让执行器自己找到最佳设置的案例，还很稀少。RMP 和 ELM 是个例外，因为那里恰好同时具备了三个条件：一个慢执行器、一个阈值型的目标、和一个可以利用的迟滞。三个条件凑齐，机器学习才从一个更快的计算器，变成一个真正的控制器。

这也给了一个可检验的判断标准：下一个能重复 RMP/ELM 那种成功的地方，应该也是同时有慢执行器、阈值型目标和可利用迟滞的地方。按这个标准找，低杂波电流驱动的剖面控制和离子回旋的锯齿控制是两个候选——它们都有慢执行器，也都有明确的目标。缺的那一环是迟滞，或者一个能替代迟滞的结构性空间。

---

核实记录

下面这张表是这一轮逐条核查中发现的、在中文和英文二手材料里反复出现或容易搞错的地方。每一条都标了依据。

#常见说法或疑点实际情况依据
1"AI 已经能控制托卡马克的加热系统了"要分清三层：代理模型（把慢代码压快，已成熟）、预测器（提前看出不稳定，已验证）、决策器（真正闭环控制执行器，案例少）。目前最扎实的是第一层本文通篇；Rothstein *PPCF* 67,055036；Boyer *NF* 59,056008；Wallace *JPP* 88,895880401
2把 J-TEXT 的 LSTM 工作说成"AI 控制了离子回旋加热"论文做的是耦合电阻的短期预测，作者自己限定在"稳态工况下"，不是闭环控制天线邓宇龙等，*Plasma Sci. Technol.* 28,075602 (2026)，DOI 10.1088/2058-6272/ae6c08
3RMP/ELM 那项工作的性能提升"翻倍"论文与合作组口径是最高提升 90%，不是一倍（G 指标最高提升 90%）*Nat. Commun.* 15,3990 (2024)，DOI 10.1038/s41467-024-48415-w；同一工作的 APS DPP 2024 报告摘要
4性能指标 G 的写法是 H₈₉ 乘 β_N 再除以 q₉₅ 的平方，论文中该指标大于 0.4APS DPP 2024 报告摘要（同一工作）
5强化学习避免撕裂不稳定的装置是 DIII-D，不是 KSTAR。中文报道常写错Seo 等，*Nature* 626(8000),746–751 (2024)，DOI 10.1038/s41586-024-07024-9
6Felici 等 RAPTOR 论文 2018 年的 DOI正确是 10.1088/1741-4326/aac8f0。写成 aacb89 会指到一篇完全无关的氚提取系统论文（Garcinuño 等，*NF* 58,095002）——两个 DOI 只差一个字母CrossRef 直查两条
7TorbeamNN 一作与 PACMAN 并列一作是同一个人（Andrew Rothstein）。两篇工作在同一条技术线上：先做"看得见"（代理模型），再做"看得准"（整机框架）*PPCF* 67,055036 与 *NF* 66,076050 作者名单
8TorbeamNN 有勘误同一刊物 67 卷 079501 是勘误，补了漏掉的资助信息。引用时用 055036IOP 官网 DOI 页 Post-Publication Change（2025-07-09）
9"Farre-Kaga" 的拼法分两处写法：*Phys. Plasmas* 33,032502 署 H. J. Farre-Kaga；PACMAN 论文（arXiv 版）署 Hiro Joseph Farre-Kaga。引用时按各自版本两条论文作者名单
10敏感词陷阱：arXiv 的 2608.27490是预印本，无 journal-ref、无 DOI（2026-08-26 提交）。不要写成"已发表"arXiv API 反查
11敏感词陷阱：arXiv 的 2504.11648已正式发表，但 arXiv 页的 journal-ref 至今为空，只有 DOI 字段。判据是 DOI 不是 journal-refarXiv API 反查 + IOP DOI 页
12敏感词陷阱：arXiv 的 2511.08818已正式发表为 *NF* 66(7),076050 (2026)，但 arXiv 页无 journal-ref 也无 DOI。只看预印本页会误判成未发表CrossRef 按标题直查
13KSTAR 的"最小岛宽生长率寻求"控制器是不是机器学习不是。它是实时估计岛宽生长率加最小值搜索，属于经典搜索控制。把它和 ML 工作并排看才有意思Cha 等，*Fusion Eng. Des.* 212,114850 (2025)，DOI 10.1016/j.fusengdes.2025.114850
14DIII-D 的"抓与压"里"挪到岛的位置"是怎么挪的是盲搜索：等离子体每次径向挪约 1 cm、每个位置停 50–100 ms，看 n=2 模幅降不降。这是"没有实时模型"的代价Kolemen 等，*NF* 54(7),073020 (2014)，DOI 10.1088/0029-5515/54/7/073020
15PACMAN 到底是"一个算法"还是"一套架构"是架构，不是单个算法。四级：输入、模型、控制器、输出仲裁。第四级（冲突仲裁与硬件上限）是最容易被忽略、也最要紧的一级Rothstein 等，*NF* 66(7),076050 (2026)，DOI 10.1088/1741-4326/ae7f9d
16PACMAN 的回路速度约 20 ms 一圈（约每秒 50 次）；其中 Reinforcement learning 控制器是 50 ms 一个周期，撕裂模预测推理 < 10 ms同上；arXiv:2511.08818
17撕裂模预警时间的两个不同数字容易混*Phys. Plasmas* 33,032502 的深度生存机器给约 1000 ms 预警；PACMAN 的撕裂模预测器在 DIII-D 上报告的是约 200 ms 量级的提前量。两处实验不同、装置条件不同，不能互相替代Farre-Kaga 等，*Phys. Plasmas* 33(3),032502 (2026)；PACMAN 相关工作报道
18*Phys. Plasmas* 33,032502 的勘误同一卷 4 期 049902 是出版社勘误（Publisher's Note，不是内容更正）。引用内容仍以 032502 为准CrossRef 直查
19"QuaLiKiz 快 4 个数量级"的对象快四个数量级指的是 QLKNN 对 QuaLiKiz（10 CPU 秒 → 1 CPU 毫秒）。相对 JINTRAC 集成建模整体是 3–5 个数量级。两个口径别混van de Plassche 等，*Phys. Plasmas* 27(2),022310 (2020)，DOI 10.1063/1.5134126
20ITER 电子回旋加热的功率基线 20 MW；再基线提案要求第一运行阶段翻倍到 40 MW，氘-氚阶段进一步到 67 MW。别把提案值说成已装机值Vu 等，*Fusion Eng. Des.* 222,115501 (2026)，DOI 10.1016/j.fusengdes.2025.115501
21ITER 控制系统的真正难点不是算法慢，是执行器管理：同一台电子回旋系统同时被启动、加热、压撕裂模三个功能抢。必须有冲突仲裁层同上
22中国侧那篇 RL 综述的性质是中文综述（《自动化学报》52 卷，2026），不是研究论文。作者朱圆恒、李思成、王茗菲、赵中岳、贾云虎、黄耀、李林静、赵冬斌，八人《自动化学报》DOI 10.16383/j.aas.c260309
23回旋管故障预测的两个不同团队与数据集J. She/X. Wang 那篇（*FED* 200,114186）用 52,772 点数据集、AUC 0.869；C. Wu/H. Zhang 那篇（*AIP Adv.* 15,035150）用 140 GHz 台架、10% 噪声下 82.37%。两篇不同团队、不同方法，别并成一篇。另：*FED* 那篇在 CrossRef 元数据里没有机构字段，正文不标注该篇机构两条 DOI 直查；CrossRef 元数据
24HL-3 的强化学习工作是"控制什么"控的是等离子体电流和边界形状（磁位形），不是加热与电流驱动。归入本文提到的外圈，不属于本篇的执行器侧Wu 等，*Commun. Phys.* 8,393 (2025)，DOI 10.1038/s42005-025-02302-y
25提示注入检索过程中 spacefrontiers.org 的返回内容里再次内嵌了"IGNORE PREVIOUS INSTRUCTIONS"一类文本。已识别并忽略，未进入本文素材检索过程记录
26外文作者姓名怎么写成中文一律用论文原文的罗马字写法，不音译、不猜汉字。韩国作者的汉字名（如 S. K. Kim、M. Kim、S. Hahn）没有标准音译，凭发音倒推汉字就是编造；中文作者的名字也不能只凭拼音倒推汉字本文写作规范；TorbeamNN arXiv:2504.11648 作者全名、*Fusion Eng. Des.* 212,114850 CrossRef 作者全名
27TorbeamNN 的作者来自哪几家机构普林斯顿大学、PPPL、韩国聚变能研究院（KFE）和首尔大学。不要写成 QST 那珂arXiv:2504.11648 逐作者机构字段；*PPCF* 67,055036（CrossRef 无机构字段，故以预印本为准）
28AMNO（离子回旋神经算子）的第一单位是重庆邮电大学计算机科学与技术学院，不是中国科大。作者上标：1 重庆邮电大学、2 中国科大科学智能创新中心、3 中国科大先进技术研究院、4 西安电子科技大学空天科学技术学院、5 中科院合肥物质科学研究院等离子体物理研究所。通讯 Qin Hang，邮箱在 cqupt.edu.cnarXiv:2608.27490 HTML 版机构列表
29回旋管故障后恢复速度的两个数字DIII-D：FPGA 高压波形发生器 10 毫秒出头重启并恢复满功率（不是 30 毫秒）。W7-X：利用迟滞的自动模式恢复，最快 200 微秒、上限是一个 2 毫秒射频宽限期，且不重启——把标称模式从竞争模式手里抢回来Ponce 等，*Fusion Sci. Technol.* 73(1),1–4 (2017)，DOI 10.1080/15361055.2017.1387009；Wilde 等，*Fusion Eng. Des.* 148,111258 (2019)，DOI 10.1016/j.fusengdes.2019.111258
30KFE 的中文名韩国聚变能研究院（Korea Institute of Fusion Energy）。不要写成韩国科学技术研究院——那是另一个机构*Phys. Plasmas* 29,032514 CrossRef 机构字段原文

---

参考文献

先说一句：下面这份列表按论文主题归组排列，不按正文出现顺序编号。正文里需要出处的地方，作者、机构、卷期页和 DOI 都就地写出来了。

  1. A. Rothstein, M. Kim, M. Woo, M. Cha, C. Byun, S. Kim, K. Erickson, Y. Lee, J. Josephy-Zack, J. Butt, R. Shousha, M. Joung, J.-W. Juhn, K.-D. Lee, E. Kolemen, "TorbeamNN: machine learning-based steering of ECH mirrors on KSTAR", *Plasma Physics and Controlled Fusion* 67(5), 055036 (2025), DOI 10.1088/1361-6587/add08b（十五位作者，普林斯顿大学、PPPL、韩国聚变能研究院、首尔大学；勘误：同卷 079501；预印本 arXiv:2504.11648）
  1. M. D. Boyer, S. Kaye, K. Erickson, "Real-time capable modeling of neutral beam injection on NSTX-U using neural networks", *Nuclear Fusion* 59(5), 056008 (2019), DOI 10.1088/1741-4326/ab0762（三位作者，均属普林斯顿等离子体物理实验室）
  1. G. M. Wallace, Z. Bai, R. Sadre, T. Perciano, N. Bertelli, S. Shiraiwa, E. W. Bethel, J. C. Wright, "Towards fast and accurate predictions of radio frequency power deposition and current profile via data-driven modelling: applications to lower hybrid current drive", *Journal of Plasma Physics* 88(4), 895880401 (2022), DOI 10.1017/S0022377822000708（麻省理工等离子体科学与聚变中心、劳伦斯伯克利国家实验室、PPPL、旧金山州立大学）
  1. K. L. van de Plassche, J. Citrin, C. Bourdelle, Y. Camenen, F. Casson, V. Dagnelie, et al., "Fast modeling of turbulent transport in fusion plasmas using neural networks", *Physics of Plasmas* 27(2), 022310 (2020), DOI 10.1063/1.5134126（DIFFER、CEA-IRFM、UKAEA 等，十位作者）
  1. F. Felici, J. Citrin, A. A. Teplukhina, J. Redondo, C. Bourdelle, F. Imbeaux, et al., "Real-time-capable prediction of temperature and density profiles in a tokamak using RAPTOR and a first-principle-based transport model", *Nuclear Fusion* 58(9), 096006 (2018), DOI 10.1088/1741-4326/aac8f0（九位作者，EPFL 瑞士等离子体中心等）
  1. F. Felici, O. Sauter, "Non-linear model-based optimization of actuator trajectories for tokamak plasma profile control", *Plasma Physics and Controlled Fusion* 54(2), 025002 (2012), DOI 10.1088/0741-3335/54/2/025002
  1. F. Felici, T. P. Goodman, O. Sauter, G. Canal, S. Coda, B. P. Duval, J. X. Rossel, "Integrated real-time control of MHD instabilities using multi-beam ECRH/ECCD systems on TCV", *Nuclear Fusion* 52(7), 074001 (2012), DOI 10.1088/0029-5515/52/7/074001（七位作者）
  1. J. Citrin, S. Breton, F. Felici, F. Imbeaux, T. Aniel, J. F. Artaud, B. Baiocchi, et al., "Real-time capable first principle based modelling of tokamak turbulent transport", *Nuclear Fusion* 55(9), 092001 (2015), DOI 10.1088/0029-5515/55/9/092001（十位作者）
  1. S. Van Mulders, "Full-discharge simulation and optimization with the RAPTOR code, from present tokamaks to ITER and DEMO", EPFL 博士论文 9965 (2023)，导师 O. Sauter，DOI 10.5075/epfl-thesis-9965
  1. Y. Deng, W. Geng, J. Wu, L. Yang, D. Xia, and the J-TEXT Team, "Prediction of ICRH coupling resistance for J-TEXT", *Plasma Science and Technology* 28(7), 075602 (2026), DOI 10.1088/2058-6272/ae6c08（华中科技大学强电磁技术全国重点实验室、磁约束聚变与等离子体物理国际联合研究实验室）
  1. H. Zhang, X. Wang, J. Li, M. Zhang, J. Zhang, K. Wang, Y. Yi, Q. Hang, X. Zhang, "Anisotropic Maxwell neural operator for rapid parametric full-wave modelling of ion cyclotron resonance heating", arXiv:2608.27490 (2026-08-26，预印本，截至本文写作时未见刊；第一单位为重庆邮电大学计算机科学与技术学院，通讯作者 Qin Hang)
  1. R. Shousha, S. K. Kim, K. G. Erickson, S. H. Hahn, A. O. Nelson, S. M. Yang, et al., "Design and experimental demonstration of feedback adaptive RMP ELM controller toward complete long pulse ELM suppression on KSTAR", *Physics of Plasmas* 29(3), 032514 (2022), DOI 10.1063/5.0081928（十三位作者；R. Shousha, S. K. Kim, K. G. Erickson, S. H. Hahn, A. O. Nelson, S. M. Yang, J.-K. Park, J. Wai, Y. M. Jeon, J. H. Lee, J. Jang, D. Seo, E. Kolemen）
  1. S. K. Kim, R. Shousha, S. M. Yang, Q. Hu, S. H. Hahn, A. Jalalvand, J.-K. Park, N. C. Logan, A. O. Nelson, Y.-S. Na, R. Nazikian, R. Wilcox, R. Hong, T. Rhodes, C. Paz-Soldan, Y. M. Jeon, M. W. Kim, W. H. Ko, J. H. Lee, A. Battey, G. Yu, A. Bortolon, J. Snipes, E. Kolemen, "Highest fusion performance without harmful edge energy bursts in tokamak", *Nature Communications* 15, 3990 (2024), DOI 10.1038/s41467-024-48415-w（二十四位作者，普林斯顿大学与 PPPL 领衔）
  1. R. Shousha, S. K. Kim, K. G. Erickson, S. H. Hahn, A. O. Nelson, N. C. Logan, et al., "Unified ELM suppression on KSTAR and DIII-D via adaptive feedback control strategies", *Nuclear Fusion* 65(8), 086021 (2025), DOI 10.1088/1741-4326/adeda0（二十二位作者；R. Shousha, S. K. Kim, K. G. Erickson, S. H. Hahn, A. O. Nelson, N. C. Logan, S. M. Yang, Q. M. Hu, R. Wilcox, J.-K. Park, C. Paz-Soldan, A. Battey, M. W. Kim, G. Shin, W. H. Ko, Y. M. Jeon, J. H. Lee, J. Jang, D. C. Seo, J. Abbate, A. Rothstein, E. Kolemen）
  1. A. Jalalvand, S. K. Kim, J. Seo, Q. Hu, M. Curie, P. Steiner, A. O. Nelson, Y.-S. Na, E. Kolemen, "Multimodal super-resolution: discovering hidden physics and its application to fusion plasmas", *Nature Communications* 16, 8506 (2025), DOI 10.1038/s41467-025-63492-1（九位作者）
  1. R. Sonker, A. Capone, A. Rothstein, H. J. Farre Kaga, E. Kolemen, J. Schneider, "Multi-Timescale Dynamics Model Bayesian Optimization for Plasma Stabilization in Tokamaks", *Proceedings of the 42nd International Conference on Machine Learning* (ICML 2025), PMLR 267, 56465–56479（预印本 arXiv:2506.10287）
  1. M. S. Cha, M. H. Woo, S. Hahn, Y. S. Park, M. J. Choi, J. K. Park, B. H. Park, Y.-S. Na, "First application of minimum island width growth rate seeking feedback controller for neoclassical tearing mode stabilization", *Fusion Engineering and Design* 212, 114850 (2025), DOI 10.1016/j.fusengdes.2025.114850（八位作者，首尔大学与韩国聚变能研究院；M. S. Cha, M. H. Woo, S. Hahn, Y. S. Park, M. J. Choi, J. K. Park, B. H. Park, Y.-S. Na）
  1. E. Kolemen, A. S. Welander, R. J. La Haye, N. W. Eidietis, D. A. Humphreys, J. M. Lohr, V. Noraky, B. G. Penaflor, R. Prater, F. Turco, "State-of-the-art neoclassical tearing mode control in DIII-D using real-time steerable electron cyclotron current drive launchers", *Nuclear Fusion* 54(7), 073020 (2014), DOI 10.1088/0029-5515/54/7/073020（十位作者）
  1. H. J. Farre-Kaga, A. Rothstein, R. Sonker, S. K. Kim, R. Shousha, M. Kim, et al., "Interpreting AI for fusion: An application to plasma profile analysis for tearing mode stability", *Physics of Plasmas* 33(3), 032502 (2026), DOI 10.1063/5.0311201（九位作者；出版社勘误见同卷 049902；预印本 arXiv:2502.20294）
  1. J. Seo, S. K. Kim, A. Jalalvand, R. Conlin, A. Rothstein, J. Abbate, K. Erickson, J. Wai, R. Shousha, E. Kolemen, "Avoiding fusion plasma tearing instability with deep reinforcement learning", *Nature* 626(8000), 746–751 (2024), DOI 10.1038/s41586-024-07024-9（十位作者；实验装置为 DIII-D）
  1. A. Rothstein, H. J. Farre-Kaga, J. Butt, R. Shousha, K. Erickson, T. Wakatsuki, A. Jalalvand, P. Steiner, S. Kim, E. Kolemen, "Enabling integrated AI control on DIII-D: a control system design with state-of-the-art experiments", *Nuclear Fusion* 66(7), 076050 (2026), DOI 10.1088/1741-4326/ae7f9d（十位作者；预印本 arXiv:2511.08818，2025-11-11）
  1. L. Bardòczi, R. J. La Haye, E. Strait, N. C. Logan, S. Smith, N. Richner, J. Callen, "Direct preemptive stabilization of neoclassical tearing modes by electron cyclotron current drive in the DIII-D low-torque ITER baseline scenario", *Nuclear Fusion* 63(9), 096021 (2023), DOI 10.1088/1741-4326/acec5c（七位作者）
  1. M. Kim, S. K. Kim, A. Rothstein, P. Steiner, K. Erickson, Y. H. Lee, H. Han, S. H. Hahn, et al., "Control of pedestal-top electron density using RMP and gas puff at KSTAR", arXiv:2506.20700（2025-06-25 预印本；截至本文写作时未见刊）
  1. S. K. Kim, R. Shousha, S. H. Hahn, A. O. Nelson, J. Wai, S. M. Yang, J.-K. Park, R. Nazikian, Y. M. Jeon, Y. In, J. H. Lee, J. Kim, C. Y. Lee, Y.-S. Na, E. Kolemen, "Optimization of 3D controlled ELM-free state with recovered global confinement for KSTAR with n = 1 resonant magnetic field perturbation", *Nuclear Fusion* 62(2), 026043 (2022), DOI 10.1088/1741-4326/ac4369（十六位作者）
  1. R. Shousha, J. Seo, K. Erickson, Z. Xing, S. K. Kim, J. Abbate, E. Kolemen, "Machine learning-based real-time kinetic profile reconstruction in DIII-D", *Nuclear Fusion* 64(2), 026006 (2024), DOI 10.1088/1741-4326/ad142f（七位作者）
  1. J. She, X. Wang, F. Liu, Z. Wu, H. Hu, "Fault prediction of gyrotron system on test bench using a deep learning algorithm", *Fusion Engineering and Design* 200, 114186 (2024), DOI 10.1016/j.fusengdes.2024.114186（五位作者；该刊 CrossRef 元数据未列机构字段，故不标注）
  1. C. Wu, H. Zhang, H. Chang, J. She, X. Wang, "Robust learning-based fault prediction method for gyrotron system", *AIP Advances* 15(3), 035150 (2025), DOI 10.1063/5.0257521（五位作者，中国科学技术大学、中国科学院合肥物质科学研究院）
  1. A. T. Vu, P. C. de Vries, G. Carannante, I. S. Carvalho, M. Cinque, I. Gomez, O. Kudlacek, M. Mattei, Ph. Moreau, R. Nouailletas, L. Pangione, F. Pesamosca, L. Piron, A. Pironti, R. A. Pitts, G. Raupp, T. Ravensbergen, M. Reich, S. Rosiello, G. De Tommasi, L. Zabeo, et al., "Progress in the ITER Plasma Control System design", *Fusion Engineering and Design* 222, 115501 (2026), DOI 10.1016/j.fusengdes.2025.115501（二十四位作者，ITER 组织与欧洲多家单位；A. T. Vu, P. C. de Vries, G. Carannante, I. S. Carvalho, M. Cinque, I. Gomez, O. Kudlacek, M. Mattei, Ph. Moreau, R. Nouailletas, L. Pangione, F. Pesamosca, L. Piron, A. Pironti, R. A. Pitts, G. Raupp, T. Ravensbergen, M. Reich, S. Rosiello, G. De Tommasi, W. Treutterer, D. Weldon, D. Valcarcel, L. Zabeo）
  1. D. Humphreys, G. Ambrosino, P. de Vries, F. Felici, S. H. Kim, G. Jackson, A. Kallenbach, E. Kolemen, J. Lister, D. Moreau, A. Pironti, G. Raupp, et al., "Novel aspects of plasma control in ITER", *Physics of Plasmas* 22(2), 021806 (2015), DOI 10.1063/1.4907901（二十位作者）
  1. N. Wu, Z. Yang, R. Li, N. Wei, Y. Chen, Q. Dong, J. Li, G. Zheng, X. Gong, F. Gao, B. Li, M. Xu, Z. Zhao, W. Zhong, "High-fidelity data-driven dynamics model for reinforcement learning-based control in HL-3 tokamak", *Communications Physics* 8, 393 (2025), DOI 10.1038/s42005-025-02302-y（十四位作者，浙江大学与核工业西南物理研究院等；控制对象为等离子体电流与边界形状）
  1. 朱圆恒, 李思成, 王茗菲, 赵中岳, 贾云虎, 黄耀, 李林静, 赵冬斌, "强化学习在托卡马克可控核聚变中的应用研究综述", 《自动化学报》 52 卷 (2026), DOI 10.16383/j.aas.c260309（八位作者；中文综述，按放电阶段组织）
  1. D. Ponce, R. Brambila, M. Cengher, Y. Gorelov, W. Grosnickle, J. Lohr, A. Torrezan, "Interrupting an imminent body current fault and restoring full power in milliseconds on a DIII-D National Fusion Facility gyrotron", *Fusion Science and Technology* 73(1), 1–4 (2017), DOI 10.1080/15361055.2017.1387009（七位作者，均属通用原子公司）
  1. F. Wilde, S. Marsen, T. Stange, D. Moseev, J. W. Oosterbeek, H. P. Laqua, R. C. Wolf, K. Avramidis, G. Gantenbein, I. Gr. Pagonakis, S. Illy, J. Jelonnek, M. K. Thumm, and the W7-X team, "Automated mode recovery for gyrotrons demonstrated at Wendelstein 7-X", *Fusion Engineering and Design* 148, 111258 (2019), DOI 10.1016/j.fusengdes.2019.111258（利用回旋管迟滞特性恢复标称模式，FPGA 实现）
  1. M. H. Li, H. D. Xu, X. J. Wang, M. Wang, B. J. Ding, C. B. Wu, G. H. Yan, et al., "Plasma heating by electron cyclotron wave and the temperature effects on lower hybrid current drive on EAST", *Nuclear Fusion* 63(4), 046019 (2023), DOI 10.1088/1741-4326/acbec9（二十八位作者；EAST 上电子回旋加热温度效应对低杂波电流驱动的影响）