跳到正文
返回核聚变能源
至真探索 · 核聚变能源

AI聚变控制诊断与跨装置迁移

2026-08-30

ITER最怕一件事。1.5亿度的等离子体如果突然失控，磁场一松，能量瞬间砸到内壁上，部件直接报废。ITER整个寿命只允许出现少数几次这种"破裂"，而且没有别的机器可以先替它练手——ITER太大、太贵，练不起。所以问题来了：一台从来没运行过的大机器，怎么在第一次放电之前就知道怎么避开失控？答案正在从另一个方向凑出来：让机器自己学。过去六年，AI和机器学习在聚变控制上走完了三步——先学会"扶"，再学会"躲"，现在开始学会"换一台机器也能用"。这条线的每一步都有真人、真装置、真数据，值得逐个说清楚。

先说"扶"。托卡马克是个环形磁笼子，十几个线圈电流决定等离子体的形状和位置。传统做法是工程师手工搭一条控制链：先重建等离子体状态，再算误差，再调线圈。链条长，调一种新形状要几个月。2022年2月，DeepMind和洛桑联邦理工学院瑞士等离子体中心在Nature上发了篇文章，换了个思路：在物理模拟器里训练一个深度强化学习网络，让它自己学出"看传感器信号、直接指挥全部线圈"的策略，然后不经过任何改装，直接放上TCV托卡马克跑[1]。结果控制住了常规位形、负三角形变、雪花偏滤器这些复杂形状，还同时维持了两个分离的等离子体"液滴"。作者名单很有意思：第一作者Jonas Degrave来自DeepMind，并列一作Federico Felici来自瑞士等离子体中心，双方十几人等贡献；通讯阵容里还有DeepMind创始人Demis Hassabis。这不是游戏AI团队玩票——从模拟器到真实装置的"仿真到实机"鸿沟，是这个方向最大的坎，他们用高保真自由边界平衡模拟加严格验证跨过去了。2024年，DeepMind团队又在《聚变工程与设计》上发了后续，把这套方法往工程实用推[2]。普林斯顿团队2025年还在DIII-D上搭了叫PACMAN的通用框架，让各种机器学习控制器能像插件一样装进等离子体控制系统[3]——_control_这件事，正在从"一个个演示"变成"一套平台"。

但会"扶"不够，还得会"躲"。等离子体最常见的死法叫破裂：先是撕裂模这类不稳定性把磁场面撕开，然后整个等离子体在毫秒到秒的尺度上崩溃。预测破裂，是AI进聚变的第一块敲门砖。2019年，哈佛物理系博士生Julian Kates-Harbeck（同时在普林斯顿等离子体物理实验室做研究）和普林斯顿计算科学工程研究所的Alexey Svyatkovskiy、实验室的William Tang在Nature上发表了FRNN循环神经网络[4]。这里有个常见的引用错误要纠正：这篇文章发在Nature 568卷526页，不是PRL。它做了两件事：一是用DIII-D（美国最大托卡马克，圣地亚哥通用原子公司运营）上约九千次放电训练，预测准确率超过传统方法；二是第一次证明在DIII-D上训练的网络，能直接在JET（世界最大托卡马克，英国卡勒姆）上做出可靠预测——不需要JET自己的破裂数据。这对ITER是生死攸关的：ITER无法先收集足够的破裂数据再训练模型，必须吃别人家的数据长大。William Tang打过一个比方：等癌症晚期才开始治，就晚了。他们后来在橡树岭的Titan和Summit超算上跑了几千块GPU，把预警窗口从30毫秒往外推。

跨机器这条路，MIT的团队接着往深里挖，而且挖出了一个不那么顺耳的真相。2019年，Kevin Montes（MIT等离子体科学与聚变中心）带着C. Rea、R. Granetz、R. Tinguely，联合通用原子公司的Eidietis、Meneghini，普林斯顿的Erickson、Boyer，还有合肥中科院等离子体所的陈大林、沈飙、肖炳甲，用最"土"的随机森林方法在三个装置（C-Mod、DIII-D、EAST）上各建了一套预测器[5]。结论分两层：好消息是三个机器的最终检测率都能优化到80-90%；坏消息是各机器最有用的预警信号不一样，前兆行为也明显不同——也就是说，模型的"经验"不天然通用。同期刊物上，Rea等人把随机森林预测器DPRF真正塞进了DIII-D的实时控制系统，连跑900多次放电，还第一次用"哪个信号贡献了报警"这种可解释性分析反推破裂原因[6]。这两篇连着读，你会看到2019年这个领域的转折点：从离线刷指标，转向实时、可解释、跨装置三件套。

转机来自一个数据洞察。2021年，MIT的J.X. Zhu（朱晓星，音译）和Rea、Montes、Granetz、Sweeney、Tinguely六人（全部来自MIT等离子体科学与聚变中心）用无监督聚类做了个探索分析，发现一个规律[7]：不破裂的放电数据是"机器特色"很强的，每台机器都有自己的健康长相；但破裂放电数据里藏着跨机器的共同知识——破裂就是破裂，不管在哪台机器上。基于这个洞察，他们设计了混合深度学习架构：在C-Mod、DIII-D、EAST上分别达到AUC 0.801、0.947、0.973。最漂亮的一组实验是：给EAST训练时只放20次EAST破裂放电加几千次EAST正常放电，再混入一千多次来自DIII-D和C-Mod的破裂数据，EAST的预测AUC从0.916提到0.959。三种机器任意排列组合都成立。这相当于说：老机器的"事故案例库"可以传给新机器，新机器只需要自己补一点"正常样本"。2023年这个框架又升级成"预测加事件识别"的集成模型，能同时告诉你破裂要来了、以及是哪种前兆（旋转模、锁模、辐射坍塌、H-L回退）[8]。

中国团队把"小样本迁移"做到了极致，而且各有分工。华中科技大学有J-TEXT托卡马克，潘垣院士团队的国际联合实验室负责最难的"跨机器迁移"。2023年，郑炜、薛凤明（共同一作）、陈忠勇（通讯）等人在Communications Physics上发表了参数迁移方法[9]：在J-TEXT上训练模型，迁移到尺寸、位形、运行区间都差别巨大的EAST，只用20次EAST放电微调，效果追平用约1900次EAST放电直接训练的模型。换成另一条线，沈成硕等人的物理引导特征提取路线更省：完全不用EAST数据训练，直接从J-TEXT预测EAST，AUC做到0.893；再用CORAL对齐方法加10次EAST破裂放电，提到0.947[10]。关键是SHAP分析显示模型学到的是两个机器共有的破裂物理，不是死记硬背。

合肥EAST团队提供了一个更狠的案例——连"同一台机器换了内壁"都能让模型失效。2023年，深圳大学的郭必浩、吴木泉（共同通讯）与等离子体所陈大林、MIT的Rea和Granetz合作，用卷积加长短期记忆网络在EAST约一万次非全金属壁放电上训练，AUC 0.97[11]。2020年EAST升级成全金属壁之后，同一套模型直接拿来用，AUC掉到0.79。加注意力机制回到0.84，再用t-SNE看清分布差异、做迁移学习，才回到0.93。一个装置的内壁材料变了，数据的"长相"就整体漂移了。这正是新装置的常态：成都西南物理研究院的HL-3刚建成，头两个实验轮次的数据环境一直在漂——参数从低往高扫，破裂成因和诊断数据分布都在变。杨宗瑜、钟武律、夏凡团队2025年在Nuclear Fusion上报告了为这种"漂移环境"定制的方案[12]：预测优先网络、数据增强、伪数据占位，AUC做到0.940，还带输入通道缺失容错。他们HL-2A上的实时版本更早就跑通了：2022年深度学习预测器进等离子体控制系统，单次推理0.06毫秒，能在放电中实时触发气体注入来减轻破裂[13]。还有一条"从低参数区迁到高参数区"的线：2024年华中科大与西南院合作（Y. Zhong等），用SHAP先看清高、低参数区模型规律甚至互相矛盾，再用TrAdaBoost做实例迁移，把高参数区预测的平衡准确率从0.78提到0.86[14]——这暗示ITER会遇到的麻烦：性能区间的数据也不能随便混着训练。

还有个好玩的花絮。2023年，国际电信联盟（ITU）和IAEA联合MIT、华中科大、西南院办了场多装置破裂预测挑战赛：用HL-2A和J-TEXT的数据训练，在C-Mod上测试。冠军不是哪个深度学习天团，而是里斯本高等理工学院的Diogo Ferreira——他用特征工程加逻辑回归拿下第一名。这个结果和上面MIT、华中科大的结论互相印证：方法不在于花哨，在于把破裂知识从机器特定性里剥出来。

预测之外，AI控制已经从"躲"升级到"主动绕开危险区"。2024年2月，普林斯顿的Jaemin Seo（机械与航空航天工程系，兼韩国中央大学物理系）、SangKyeun Kim、Azarakhsh Jalalvand和Egemen Kolemen团队在Nature上发了撕裂模避免控制[15]。又是一个常见的报道错误要纠正：实验是在DIII-D上做的，不是KSTAR——很多中文报道写错了。做法分两步：先用多诊断信号训练一个多模态模型，估计未来撕裂不稳定性概率（这个模型本身2023年先在国际神经网络联合会议上发表[16]）；然后把这个概率模型当成强化学习的训练环境，让AI学会调执行器，把撕裂概率永远压在阈值之下。在低安全因子、低扭矩这些传统编程控制最难熬的条件下，AI控制让等离子体主动跟踪时变运行空间里的稳定路径，同时保住H模高约束。撕裂模是ITER基线场景下破裂的头号元凶，这个结果直接对着ITER的痛点打。

再往上半步是同一套代码跑两台机器。2024年5月，还是Kolemen团队，第一作者SangKyeun Kim（PPPL研究物理学家），在Nature Communications上发表了边缘局域模（ELM）抑制的自适应控制[17]。ELM是H模边缘的周期性能量爆发，ITER上一次大爆发就能打坏壁材料。抑制它的常规手段是共振磁扰动——用小3D磁场"揉"等离子体边缘，但幅度和频谱要拿捏得极准，拿捏错了反而伤性能。他们用机器学习代理模型（代替昂贵的等离子体响应计算，把耗时压到毫秒级）做实时自适应RMP优化，首次全自动达到无ELM状态，DIII-D上的聚变增益提升最高90%。真正的里程碑是：同一套代码在DIII-D和美国之外的KSTAR（韩国聚变能源研究院，大田）上都做到了反应堆级别的最高性能无ELM运行。Kim原话：两台不同的托卡马克用同一套代码拿到这个结果，特别重要。顺带一提，连美国能源部的官方新闻稿都把卷号印成了16，原文是Nature Communications 15卷3990号——这个领域的报道错误真是无处不在。韩国本土也有一支独立力量：韩国聚变能源研究院的申圭旭（Giwook Shin）用长短期记忆网络做实时ELM预警分类器，几百微秒算一次，让控制系统抢在第一次ELM爆发之前就上磁扰动，2022年发在Nuclear Fusion[18]；他的博士导师、KSTAR研究中心的Sang-hee Hahn是这个方向最早的推动者。

AI也在给诊断眼睛做增强。诊断是聚变装置的感官，但每种感官都有盲区。里斯本高等理工学院等离子体与聚变核研究所的Diogo Ferreira和Carvalho与JET合作，用卷积网络从量热计数据重建等离子体辐射分布，再用变分自编码器做异常检测——模型重现不了的怪辐射形态，恰恰就是破裂前兆，JET基线场景两个实验轮次的数据全部扫了一遍[19][20]。普林斯顿这条线2025年走得更远：Jalalvand、Kim、Seo等人做了叫Diag2Diag的多模态超分辨[21]——用别的诊断数据合成目标诊断的高时间分辨率版本。汤姆逊散射测温度密度很准但频率低，他们从互补诊断合成出高分辨率的合成汤姆逊数据，看清了磁扰动抑制ELM时磁岛把边缘压强分布压平的细节物理，而且传感器坏了也能补数据。Kolemen的定位很直白：不花硬件的钱给诊断加成。韩国聚变能源研究院的崔敏俊（Minjun J. Choi）2025年在《现代等离子体物理评论》上系统梳理了湍流涨落数据的处理方法，包括物理信息神经网络从二维涨落测量里推缺失的速度场[22]。法国洛林大学的Chouchene等人则把目标检测网络YOLO用在COMPASS托卡马克的百万帧超快相机视频上追踪边缘湍流丝状结构，检测准确率98.8%，比卡尔曼滤波又快又准[23]。EPFL瑞士等离子体中心和埃因霍温理工还做了带不确定度估计的约束态分类，把302次TCV放电打上L模/H模标签公开成数据集[24]——把家底开源，让全行业都在同一起跑线上练模型，这是这个领域正在形成的默契。

把整条线放在一起看，逻辑就清楚了。预测器的跨机器迁移有一套已被反复验证的配方：机器特定的知识放进正常放电样本，机器共有的破裂知识用老机器的大数据库来教，新机器只出几十次数据微调。控制器的迁移更难，但2024年证明了同代码跨机器可行。剩下的裂缝也明摆着：破裂毕竟是小概率事件，高参数区数据最稀缺又最要命；模型的可解释性和操作员信任还没完全打通；仿真到实机的鸿沟永远存在，训练环境差一点，策略就带着偏见过来。ITER的处境把这些全部放大：它没有破裂数据可用，没有时间慢慢调，部件经不起实验错误。所以这个领域正在收敛到一个务实的形态——神经网络只做最内层的感知和决策，外面套着成熟的经典控制器和独立的保护系统，任何越界行为由确定性的安全逻辑直接接管。AI不用证明它能开 reactor，只要证明它在经典系统的护栏里跑得比人手搭的控制器更快、更稳、换台机器不用重学。从TCV上的双等离子体液滴，到DIII-D和KSTAR上同一套代码的无ELM运行，再到只用20次放电就从一个大陆迁到另一个大陆的破裂预测器，证据已经指向同一个结论：聚变机器的训练课，可以借别的机器的作业来补。这对ITER不是锦上添花，是唯一现实的路线。

参考文献

[1] J. Degrave, F. Felici, J. Buchli, M. Neunert, B. Tracey, F. Carpanese, T. Ewalds, R. Hafner, ..., M. Riedmiller (DeepMind与EPFL瑞士等离子体中心), "Magnetic control of tokamak plasmas through deep reinforcement learning", Nature 602, 414-419 (2022). DOI: 10.1038/s41586-021-04301-9

[2] B.D. Tracey, A. Michi, Y. Chervonyi, I. Davies, C. Paduraru, N. Lazic, F. Felici, T. Ewalds, C. Donner, C. Galperti, et al., "Towards practical reinforcement learning for tokamak magnetic control", Fusion Engineering and Design 200, 114161 (2024). DOI: 10.1016/j.fusengdes.2024.114161

[3] A. Rothstein, H.J. Farre-Kaga, J. Butt, R. Shousha, K. Erickson, T. Wakatsuki, A. Jalalvand, P. Steiner, S.K. Kim, E. Kolemen, "Enabling integrated AI control on DIII-D: a control system design with state-of-the-art experiments", Nuclear Fusion (2025). DOI: 10.1088/1741-4326/ae7f9d

[4] J. Kates-Harbeck (哈佛大学物理系/进化动力学项目、普林斯顿等离子体物理实验室), A. Svyatkovskiy (普林斯顿大学计算科学工程研究所), W. Tang (普林斯顿等离子体物理实验室、普林斯顿大学天体物理科学系), "Predicting disruptive instabilities in controlled fusion plasmas through deep learning", Nature 568, 526-531 (2019). DOI: 10.1038/s41586-019-1116-4

[5] K.J. Montes, C. Rea, R.S. Granetz, R.A. Tinguely (MIT等离子体科学与聚变中心), N. Eidietis, O.M. Meneghini (通用原子公司), D.L. Chen, B. Shen, B.J. Xiao (中科院等离子体物理研究所), K. Erickson, M.D. Boyer (普林斯顿等离子体物理实验室), "Machine learning for disruption warnings on Alcator C-Mod, DIII-D, and EAST", Nuclear Fusion 59, 096015 (2019). DOI: 10.1088/1741-4326/ab1df4

[6] C. Rea, K.J. Montes, K.G. Erickson, R.S. Granetz, R.A. Tinguely, "A real-time machine learning-based disruption predictor in DIII-D", Nuclear Fusion 59, 096016 (2019). DOI: 10.1088/1741-4326/ab28bf

[7] J.X. Zhu, C. Rea, K. Montes, R.S. Granetz, R. Sweeney, R.A. Tinguely (MIT等离子体科学与聚变中心), "Hybrid deep-learning architecture for general disruption prediction across multiple tokamaks", Nuclear Fusion 61, 026007 (2021). DOI: 10.1088/1741-4326/abc664

[8] J.X. Zhu, C. Rea, R.S. Granetz, E.S. Marmar, R. Sweeney, K. Montes, R.A. Tinguely (MIT等离子体科学与聚变中心，含PPPL兼职), "Integrated deep learning framework for unstable event identification and disruption prediction of tokamak plasmas", Nuclear Fusion 63, 046009 (2023). DOI: 10.1088/1741-4326/acb803

[9] W. Zheng, F. Xue (共同一作), Z. Chen (通讯), D. Chen (中科院等离子体所), B. Guo (深圳大学), et al., Y. Pan (华中科技大学磁约束聚变与等离子体物理国际联合实验室), "Disruption prediction for future tokamaks using parameter-based transfer learning", Communications Physics 6, 181 (2023). DOI: 10.1038/s42005-023-01296-9

[10] C. Shen, W. Zheng, et al. (华中科技大学), D. Chen, B. Xiao (中科院等离子体所), "Transferable and interpretable disruption prediction based on physics-guided feature extraction"，方法主线见 C. Shen et al., Nuclear Fusion 63, 046024 (2023)；零样本AUC 0.893/CORAL结果见 2025年亚太等离子体物理会议报告与 Nuclear Fusion 64, 066036 (2024)

[11] B.H. Guo (深圳大学物理与光电工程学院、中科院等离子体所), D.L. Chen (通讯，中科院等离子体所), C. Rea, R.S. Granetz (MIT等离子体科学与聚变中心), M.Q. Wu (通讯，深圳大学), B. Shen, Z.C. Zhang, Y. Huang, Y.M. Duan (中科院等离子体所), L. Zeng (清华大学工程物理系), B.J. Xiao (中科院等离子体所、中国科学技术大学), "Disruption prediction on EAST with different wall conditions based on a multi-scale deep hybrid neural network", Nuclear Fusion 63, 094001 (2023). DOI: 10.1088/1741-4326/ace2d4

[12] Z. Yang, W.L. Zhong, F. Xia, Y. Zhang 等 (核工业西南物理研究院，合作含清华大学、南开大学), "Implementing deep learning-based disruption prediction in a drifting data environment of new tokamak: HL-3", Nuclear Fusion (2025年在线发表，AUC 0.940)

[13] Z. Yang, F. Xia, et al. (核工业西南物理研究院), "Real-time disruption prediction in the plasma control system of HL-2A based on deep learning", Fusion Engineering and Design 182 (2022). DOI见期刊页面

[14] Y. Zhong, W. Zheng, Z.Y. Chen, et al. (华中科技大学), F. Xia, L.M. Yu, Z.Y. Yang (核工业西南物理研究院), Z.P. Chen (华中科技大学), "High-beta disruption prediction study on HL-2A with instance-based transfer learning", Nuclear Fusion 64, 096012 (2024). DOI: 10.1088/1741-4326/ad59b5

[15] J. Seo (普林斯顿大学机械与航空航天工程系、韩国中央大学物理系), S.K. Kim (普林斯顿大学、普林斯顿等离子体物理实验室), A. Jalalvand, R. Conlin, A. Rothstein (普林斯顿大学), J. Abbate (PPPL、普林斯顿天体物理科学系), K. Erickson (PPPL), J. Wai, R. Shousha (普林斯顿大学、PPPL), E. Kolemen (通讯，普林斯顿大学、PPPL), "Avoiding fusion plasma tearing instability with deep reinforcement learning", Nature 626, 746-751 (2024). DOI: 10.1038/s41586-024-07024-9

[16] J. Seo, R. Conlin, A. Rothstein, S.K. Kim, J. Abbate, A. Jalalvand, E. Kolemen (普林斯顿大学/PPPL/韩国中央大学；合作方通用原子公司), "Multimodal Prediction of Tearing Instabilities in a Tokamak", Proceedings of IJCNN 2023. DOI: 10.1109/IJCNN54540.2023.10191359

[17] S.K. Kim, R. Shousha, S.M. Yang, Q. Hu (普林斯顿大学/PPPL), S.H. Hahn, Y.M. Jeon, M.W. Kim, W.H. Ko, J.H. Lee (韩国聚变能源研究院), A. Jalalvand (普林斯顿大学), J.-K. Park (PPPL/普林斯顿大学), N.C. Logan (通用原子公司), Y.-S. Na (首尔国立大学), ..., E. Kolemen (通讯), "Highest fusion performance without harmful edge energy bursts in tokamak", Nature Communications 15, 3990 (2024). DOI: 10.1038/s41467-024-48415-w

[18] G. Shin 等 (韩国聚变能源研究院，KSTAR研究中心), "Preemptive RMP-driven ELM crash suppression automated by a real-time machine-learning classifier in KSTAR", Nuclear Fusion 62 (2022年1月发表)

[19] D.R. Ferreira, P.J. Carvalho, H. Fernandes (里斯本高等理工学院等离子体与聚变核研究所，与JET合作), "Deep Learning for Plasma Tomography and Disruption Prediction from Bolometer Data", IEEE Transactions on Plasma Science 48, 36-45 (2020). DOI: 10.1109/TPS.2019.2947304

[20] D.R. Ferreira, P.J. Carvalho (里斯本高等理工学院IPFN), C. Sozzi (意大利国家研究委员会等离子体科学技术研究所ISTP-CNR米兰), P.J. Lomas (英国原子能管理局卡勒姆聚变能源中心CCFE), JET Contributors, "Deep Learning for the Analysis of Disruption Precursors based on Plasma Tomography", Fusion Science and Technology 76, 901-911 (2020). DOI: 10.1080/15361055.2020.1820749

[21] A. Jalalvand, M. Curie, P. Steiner (普林斯顿大学), S.K. Kim, Q. Hu (普林斯顿等离子体物理实验室), J. Seo (韩国中央大学), A.O. Nelson (哥伦比亚大学), Y.-S. Na (首尔国立大学), E. Kolemen (通讯，普林斯顿大学、PPPL), "Multimodal super-resolution: discovering hidden physics and its application to fusion plasmas", Nature Communications 16, 8506 (2025). DOI: 10.1038/s41467-025-63492-1

[22] M.J. Choi (韩国聚变能源研究院，大田), "Leveraging turbulence data from fusion experiments", Reviews of Modern Plasma Physics 9 (2025). DOI: 10.1007/s41614-025-00198-3

[23] S. Chouchene, F. Brochard, N. Lemoine (洛林大学CNRS让·拉穆尔研究所，法国南锡), M. Desecures (APREX Solutions), J. Cavalier (捷克科学院等离子体物理研究所，布拉格), "Application of machine learning for detecting and tracking turbulent structures in plasma fusion devices using ultra fast imaging", Scientific Reports 14, 27965 (2024). DOI: 10.1038/s41598-024-79251-z

[24] Y. Poels, C. Venturini (共同一作，EPFL瑞士等离子体中心/埃因霍温理工大学), A. Pau, O. Sauter (EPFL瑞士等离子体中心), V. Menkovski (埃因霍温理工大学), "Robust Confinement State Classification with Uncertainty Quantification through Ensembled Data-Driven Methods", arXiv:2502.17397 (2025)

事实核查备注（引用时容易踩的坑）：

  • FRNN破裂预测论文发在Nature 568, 526 (2019)，常被误写为PRL。
  • Seo等2024撕裂模RL论文的实验装置是DIII-D，不是KSTAR；KSTAR只出现在其引用的早期多模态模型语境。
  • Kim等2024 ELM抑制论文正确卷号是Nature Communications 15, 3990，美国能源部官方新闻稿图片说明误写为16。
  • Zhu等2021混合深度学习论文全部七位作者（含Montes）均署名MIT等离子体科学与聚变中心；Montes与PPPL的合作关系体现在2019年Montes等三装置论文中。
  • 华中科大团队的全称是"磁约束聚变与等离子体物理国际联合实验室"（含状态电磁工程与新技术国家重点实验室）；EAST团队属中科院合肥物质科学研究院等离子体物理研究所；HL-2A/HL-3属核工业西南物理研究院（成都）——三家中国机构分工不同，引用时勿混。