跳到正文
返回核聚变能源
至真探索 · 核聚变能源

给一台还没造出来的机器，先造一个"影子"

2026-09-06

开场：为什么聚变必须靠"影子"过日子

先说一个尴尬的事实。

人类造过汽车、造过飞机、造过芯片，这几样东西的共同点是：可以失败。第一版不行就改第二版，第二版不行就改第三版，特斯拉把火箭炸了好几回才学会回收。这种玩法叫"快速试错"，是现代工业的基本功。

聚变堆不能这么玩。

一台聚变实验堆，从立项到出第一束等离子体，十年起步；造价几十亿到几百亿。你不能说"这版偏滤器不行，焊下来换一个再试"——那个偏滤器已经被中子活化了，人根本进不去，得靠遥控机械手在几年里一点一点拆。你更不能说"这台机器设计错了，重造一台"——没有哪个国家愿意出第二份钱。

所以聚变从一开始就被逼上了一条别的工业走过的路：先在计算机里把机器造出来、跑起来、跑坏，再动土。这条路走到今天有了一个统一的名字，叫数字孪生。

但请注意，"数字孪生"这个词在过去五年里被用烂了。很多人拿它指一个三维动画、一个漂亮的可视化界面、或者干脆就是一个仿真程序换个名字。这些都配不上"孪生"两个字。真正的数字孪生有很硬的定义，我们下一节说。

这篇文章想讲清楚四件事：

  1. 聚变领域的数字孪生到底是什么，它的硬门槛在哪；
  2. 现在全世界做到哪一步了——英国、美国、欧洲、韩国、中国各自在干什么；
  3. AI 在这个体系里不是锦上添花，而是唯一的解，为什么；
  4. 以及最要紧的：这事儿现在到底还差什么。

---

一、先正名：数字孪生不是三维动画

1.1 三条硬门槛

"数字孪生"这个概念的源头一般追溯到 Michael Grieves 和 John Vickers 在 2017 年给出的定义，核心是三样东西：一个物理实体、一个虚拟模型、以及两者之间真实的数据连接。

2024 年美国物理学会等离子体物理分会（APS DPP）在亚特兰大开了一场专门讨论聚变数字孪生的迷你会议，会后由通用原子公司（General Atomics）的 D. P. Schissel、R. M. Nazikian 和英伟达的 T. Gibbs 整理了会议报告，发表在《Physics of Plasmas》上（32, 050601, 2025）。这份报告给聚变版的数字孪生下了一个我认为是目前最准确的定义，叫智能数字孪生（intelligent digital twin, iDT），两个核心特征：

  • 双向、始终在线。不是做完一次仿真就完事，而是持续把诊断数据"同化"进模型，让虚拟那一侧始终跟着物理那一侧走。
  • 能预测、会建议。不只要算出"现在是什么状态"，还要能在某个物理现象真正冒头之前就识别出来，并给出控制动作或设计修改的建议。

报告里有一句话很到位：iDT 是"活的设施"，不是静态工具。

按这个标准，绝大多数自称"数字孪生"的聚变项目，其实只做到了第一层。我倾向于把它分成三层：

层次做什么典型例子
几何/工程孪生CAD + 可视化 + 数据挂接，解决"看清楚"UKAEA 的 MAST-U Omniverse 孪生
物理孪生多物理场耦合仿真，解决"算得准"全机有限元、集成输运模拟
智能孪生（iDT）数据同化 + AI 代理 + 控制闭环，解决"跟得上"DIII-D AI 孪生、V-KSTAR 闭环

第三层才是真正的"孪生"。前两层是"模型"。模型和孪生的区别，就像照片和监控摄像头的区别。

1.2 为什么偏偏是聚变这么难

约克大学的 Michael I. Battye 和 Suresh Perinpanayagam 在 2025 年发了一篇 35 页的综述《Digital Twins in Fusion Energy Research》，登在《IEEE Access》上（13, 75787–75821）。里面把聚变数字孪生的困难拆得很清楚，我按自己的理解归纳成四条：

第一，尺度跨度吓人。 空间上，从偏滤器表面亚毫米的边界层，到十几米的真空室，横跨四五个数量级。时间上，从微秒级的快不稳定性，到秒级的全局平衡，再到年计的部件寿命和氚循环。没有任何单一模型能吃下这个范围。

第二，诊断会越来越少。 这条最反直觉。今天的实验装置上挂满了诊断，但未来的聚变电站里，包层和屏蔽层会把大部分诊断口堵死——中子不允许你随便开洞。也就是说，聚变电站的数据环境会比今天的实验装置贫瘠得多。你的孪生必须在数据稀疏的条件下工作，还得能用 ML 生成合成数据、顶替坏掉的传感器。

第三，不能"失败快"。 前面说过了。

第四，遗留代码一地鸡毛。 聚变领域一大票主力代码是上世纪七八十年代写的，没有模块化接口，没有标准数据结构，串起来极其痛苦。APS 那份报告里明确点名这是 iDT 的头号工程障碍之一。

---

二、英国：把"先造后试"改成"先算后造"

英国原子能管理局（UKAEA）是这条路线上喊得最响的。

2024 年 APS DPP 会上，UKAEA 的 Andrew Davis 做了一个报告，题目就叫《High Fidelity Digital Twins of Fusion Plant》。他给的动机非常直白：UKAEA 急需从基于试验的设计转向"仿真优先"的设计。理由是：百亿亿次（exascale）计算加上新兴 AI 方法，第一次让人类有可能在工厂通电之前，就把那些通常只有运行之后才会暴露的"涌现现象"提前算出来。

他们拿两个设施做试验田。一个是 CHIMERA——一个在建的多物理场热工水力/电磁测试平台，专门测液态金属增殖包层概念；为此 UKAEA 和阿贡国家实验室合作，在 Frontier 上跑了直接数值模拟，拿高精度结果去压测湍流模型，看看那些低阶近似在什么条件下还成立。另一个是 MAST-U 球形托卡马克的虚拟模型，基于完整 CAD 数据集，约 1.6 亿个单元。

2.1 一台托卡马克的整体有限元：1.27 亿个单元

这里必须提一篇我认为被低估的论文。

W. M. E. Ellis、L. Reali、A. Davis、H. M. Brooks、I. Katramados、A. J. Thornton、R. J. Akers 和 S. L. Dudarev，八个人全部来自 UKAEA Culham 园区，2025 年在《Nuclear Fusion》上发表了《Mechanical model for a full fusion tokamak enabled by supercomputing》（65, 036033）。

他们干的事说起来简单：给 MAST-U 整台机器建了一个有限元模型，1.27 亿个单元，用约 800 个处理器并行求解。

为什么这件事难？因为要算一个部件里的应力和应变，你得先知道边界条件；而边界条件来自整台机器的力学平衡。传统做法是把部件单独拎出来算，边界条件靠"猜"。这是聚变工程里一个长期的结构性缺陷。Ellis 他们第一次把整台机器当一个连续体算了，算出重力与大气压引起的形变与观测吻合，还第一次算出了整机的声学振动频谱——地震或者等离子体破裂这类机械扰动会激发哪些模态。

论文里提出一个新概念叫应力密度（density of stress），用来刻画应力在整个固体结构里的分布，预测应力集中的位置和量级。

这件事的意义不在于 MAST-U 本身，而在于它给出了一个标尺：要模拟一整座运行中的聚变电站，计算需求是什么量级。这是工程孪生的地基。

2.2 用 Omniverse 把 CAD 和仿真缝在一起

另一篇配套的论文是 UKAEA 的 Nitesh Bhatia 等人 2025 年发在《AIP Advances》上的《Visualizing digital twins of fusion power plants using NVIDIA Omniverse》（15, 045018）。九位作者全部署名 UKAEA Culham。

这篇讲的是怎么做"看"的那一层：从中央资产库拉出来 MAST-U 的 CAD，导入 Omniverse；用 USD Composer 上 PBR 材质；再把 JOREK 的 MHD 模拟数据（比如 ELM 期间的光辐射）用 ParaView 后处理、经 Omniverse 连接器实时流进场景，最后把 CAD 的 USD 和仿真的 USD 合成一个"单一事实来源"的场景。

顺带说一句，这篇论文里提到 UKAEA 与曼彻斯特大学在材料 BRDF（双向反射分布函数）属性上有合作——这是合作，不是作者单位。网上有些二手材料把这篇论文算到曼彻斯特头上，不准确。

---

三、美国：DIII-D 的 AI 孪生，以及 FUSE

3.1 2025 年 10 月 28 日，GTC Washington

2025 年 10 月 28 日，英伟达在华盛顿特区的 GTC 大会上宣布：英伟达、通用原子公司（GA），加上加州大学圣迭戈分校的圣迭戈超级计算中心、阿贡国家实验室的 ALCF、劳伦斯伯克利国家实验室的 NERSC，共同做成了 DIII-D 国家聚变装置的AI 数字孪生。

三个 AI 代理模型，训练在 Polaris（ALCF）和 Perlmutter（NERSC）上：

  • EFIT：等离子体平衡
  • CAKE：等离子体边界
  • ION ORB：逃逸离子的热密度

整个环境建在 NVIDIA Omniverse 里，跑在 RTX PRO 服务器和 DGX Spark 上，与物理装置同步。GA 的聚变数据科学负责人 Raffi Nazikian 的说法是："过去几周的预测，现在几秒钟。"

我必须在这里插一句负责任的话：这是一条公司公告，不是同行评议论文。 三个模型的误差界、适用范围、闭环实时耦合的具体指标，公告里都没有给。二手报道里说的"700 名科学家、100 家机构"指的是 DIII-D 装置的用户总规模，不是这个孪生项目的参与人数，别混着用。引用这条的时候，请标注为 2025 年 GTC 公告。

3.2 FUSE：把设计周期从"几个月"压到"几分钟"

相比公告，美国这边更实在的产出是一个叫 FUSE（FUsion Synthesis Engine） 的开源框架。

FUSE 由 GA 的 Orso Meneghini 领衔开发，2024 年 9 月的预印本（arXiv:2409.05894）列出了二十余位作者，全部来自 General Atomics（含通过 ORAU 聘用的 Slendebroek 和 Ghiozzi）。用 Julia 写成，Apache 2.0 许可。

它解决的问题很具体。传统聚变电站设计流程是：先用系统码（GASC、PROCESS、ARIES 系统码这类）做 0 维系统研究，优化成本和净功率；再拿高保真代码去逐个部件校核。问题是两套东西对不上，得靠多个专家组反复人工迭代去"调和"，最后还不知道调出来的解有多优。

FUSE 的做法是把第一性原理模型、机器学习模型和降阶模型塞进同一个框架，支持从稳态到时变的多档保真度，模块化耦合物理、工程、控制、BOP（balance of plant）和成本，然后用遗传算法去找满足物理与工程约束、又优化性能/成本/风险的设计。论文里给了正负三角形变 FPP 设计的对比权衡研究，以及 ITER 燃烧脉冲轨迹优化的例子。团队还在把 FUSE 接到 TokSys 控制环境上，让操作员能在虚拟环境里试控制策略。

一句话：GA 内部的目标是让一个概念设计"在几分钟而不是几个月内"被检验一遍。

3.3 可微分模拟器：TORAX

另一条技术路线更激进，来自 Google DeepMind。

Jonathan Citrin、Ian Goodfellow、Jonas Degrave、Federico Felici、Brendan Tracey、Martin Riedmiller、Pushmeet Kohli 等人（全部署名 Google DeepMind，伦敦）用 JAX 写了一个可微分的托卡马克芯部输运模拟器 TORAX，求解离子热输运、电子热输运、粒子输运和电流扩散的耦合一维时变 PDE，和 RAPTOR 做了交叉验证；合作者还包括 CFS 的 Devon Battaglia、Anna Teplukhina、Josiah Wai（arXiv:2406.06718，v4 更新至 2026 年 7 月）。

"可微分"这三个字是关键。传统输运代码给你一个结果；TORAX 给你结果和梯度。有了梯度，你就能直接做基于梯度的轨迹优化、灵敏度分析、控制器设计，不用手推雅可比。再加上 JAX 天生支持神经网络，把 ML 代理模型接进去几乎是免费的。

TORAX 已经在做 SPARC 执行器轨迹优化的脉冲规划工作流。这是"用 AI 反过来设计机器"的一个很干净的例子。

---

四、代理模型：把几周压成毫秒的那块加速卡

数字孪生能不能落地，全压在一件事上：速度。

一台真实装置的控制周期是毫秒级。而一个非线性回旋动理学湍流模拟要跑几周，一个 SOLPS-ITER 边界模拟要跑两周到半年。这两者之间差着七八个数量级，靠堆超算填不上，只能靠代理模型（surrogate）——用高保真模拟或实验数据训练一个便宜的网络，让它模仿贵模型的输入-输出关系。

4.1 MIT 的 PORTALS：第一次把全非线性湍流塞进剖面预测

这条路线上最重要的工作在 MIT 等离子体科学与聚变中心（PSFC）。

Pablo Rodriguez-Fernandez、Nathan T. Howard 和 General Atomics 的 Jeff Candy 在 2022 年《Nuclear Fusion》上发了 PORTALS 的奠基论文（62, 076036），DOI 10.1088/1741-4326/ac64b2。核心思路：把 CGYRO 的非线性回旋动理学通量管模拟，通过高斯过程回归代理模型耦合到一个非线性优化器上，求电子温度、离子温度、电子密度三通道的自洽稳态解。关键指标不是"快了几倍"，而是用最少次数的昂贵模拟收敛——因为每一次 CGYRO 调用才是真金白银。

这套东西的第一个大成就是 ITER 燃烧等离子体预测。Howard、Rodriguez-Fernandez、加州大学圣迭戈分校的 Christopher Holland 和 GA 的 Candy 在《Nuclear Fusion》65, 016002（2025）上给出结果：预测出的聚变功率和增益与 ITER 基线场景的任务目标（500 MW、Q = 10）大体一致，能量约束时间在 H 模标度律的 1σ 之内。更妙的是，因为代理模型便宜，他们只用了 3–6 次回旋动理学剖面迭代就扫完了备选场景，还顺手做了氢同位素效应扫描，结论是 ITER 基线条件下芯部湍流带来的同位素效应很弱或可忽略。

这个工作被 MIT 自己的新闻稿称为"可能是目前发表的最高保真度建模"。

同一套工具也用在 CFS 的 SPARC 上（arXiv:2403.15633，Rodriguez-Fernandez、Howard 等，含 CFS 的 Body、Battaglia、Creely 与 ORNL 的 Staebler），结论是 L 模下就有充裕的 Q > 1 窗口，且聚变性能对近边缘压强高度敏感。

4.2 直接对 5D 分布函数下手：GyroSwin

PORTALS 那一派是"代理湍流通量"。另一派更狠：直接代理五维分布函数本身。

林茨约翰·开普勒大学 ELLIS 单元（与 NXAI 相关）的 Fabian Paischer、Gianluca Galletti 和 Johannes Brandstetter，与 UKAEA 的 Stanislas Pamela、Lorenzo Zanisi、Naomi Carey 等人合作，在 NeurIPS 2025 上发表了 GyroSwin（arXiv:2510.07314）。它把层次化视觉 Transformer 推广到五维，引入交叉注意力做三维↔五维潜空间交互，并按非线性物理做通道模态分离。结果：在热流通量预测上超过常用的降阶数值模型，能捕捉湍流能量串级，把全分辨非线性回旋动力学的成本降低三个数量级。模型最大测到十亿参数，且呈现可观的标度律。

这里有个坑要提醒：同一团队 2025 年 2 月先有一篇 arXiv:2502.07469（Galletti 第一作者），那时报告的是"单步预测快两个数量级"；NeurIPS 版本（Paischer 第一作者）才是"三个数量级"。两个数字来自两个版本，不能混引。

4.3 边缘和偏滤器：从 SOLPS 到 Transformer

芯部之外，边缘排气同样是硬骨头。橡树岭国家实验室的 Hunor Csala、Sebastian De Pascuale、Paul Laiu、Jeremy Lore、Jae-Sun Park 和 Pei Zhang 在 2025 年底放出预印本（arXiv:2512.23884），用 Transformer 做 SOLPS-ITER 二维时变场的自回归长程预测，预测电子温度、电子密度和辐射功率。他们的结论很实在：训练时用更长的自回归视野（1→100 步），rollout 稳定性显著改善，能稳定推几百到几千步；但一旦进入训练集中没有的物理区间，精度立刻掉。

国内同类工作也已经有了。针对核工业西南物理研究院的 HL-3 装置，《物理学报》2025 年 74 卷第 13 期有一篇《基于机器学习的托卡马克偏滤器靶板热负荷预测研究》（DOI 10.7498/aps.74.20250381，作者 Y. Wu、H. Du、L. Xue 等），用 SOLPS-ITER 建库训练 MLP 与 ResMLP，把原本两周到半年的模拟压到毫秒级，靶板电子温度、密度、平行热流预测准确率超过 90%。一个有意思的发现：把内外偏滤器区的辐射损失加进输入，预测精度明显提升，并且能同时预测内外靶板——这反过来验证了上游参数与靶板物理量之间的依赖关系。

4.4 平衡重建：从秒到毫秒

还有一个非常"工程"但极其关键的点是实时平衡重建。EFIT 解一个 Grad–Shafranov 方程，单个时间片几秒，远不够实时控制用。

中国这边，核工业西南物理研究院的 G. H. Zheng、Z. Y. Yang、S. F. Liu 等人在《Nuclear Fusion》64, 126041（2024）上发表了 EFITNN：用 HL-3 的 1159 次放电、68 通道磁测量数据训练多任务学习网络，输出八个关键等离子体参数外加高分辨的环向电流密度和极向磁通分布。多任务结构让精度最高提升 32%，与离线 EFIT 的一致性分别为 0.941（八参数）、0.997（Ψrz）、0.959；单次推理 0.08–0.45 毫秒。它还成功泛化到了训练集里没见过的准雪花偏滤器位形。

美国这边对应的是 EFIT-Prime（S. Madireddy 等，阿贡国家实验室与 GA 合作，《Physics of Plasmas》31, 092505, 2024）。它的卖点是不确定性：用神经架构搜索的深度集成同时量化数据和模型不确定性，并用 Grad–Shafranov 方程做物理约束（对环向电流密度加约束、对极向磁通一阶导数加平滑约束）。集成推理 15 毫秒，而且在训练集里被刻意排除的负三角形变放电上泛化良好。

"不确定性"这三个字，是代理模型能不能被工程信任的分水岭。

---

五、AI 真的控住了等离子体

前面讲的都是"算得快"。这一节讲"控得住"——这是数字孪生从离线工具变成在线闭环的标志。

5.1 2022：DeepMind 在 TCV 上第一次用 RL 控住真实等离子体

2022 年 2 月，DeepMind 与洛桑联邦理工（EPFL）瑞士等离子体中心合作，在《Nature》（602, 414–419）上发表：用一个神经网络控制器直接控制 TCV 托卡马克的全部控制线圈电压。

传统做法是"前馈线圈电流 + 一堆独立 PID + 外层形状控制环"，每换一种位形就得重新设计一整套控制器。RL 路线是在仿真里训练一个网络，输入测量和目标，输出线圈电压，内部自己做状态重建，不需要独立的平衡反演。他们做出了拉长位形、常规位形、负三角形变、雪花位形，甚至维持住了两个同时存在的独立等离子体（"液滴"）。

第一作者 Jonas Degrave（DeepMind），共同一作 Federico Felici（当时在 EPFL 瑞士等离子体中心）、Jonas Buchli、Michael Neunert、Brendan Tracey 等，通讯作者含 Felici、Buchli、Tracey。资深作者包括 Stefano Coda、Basil Duval、Ambrogio Fasoli、Olivier Sauter（均为 SPC）和 Demis Hassabis、Koray Kavukcuoglu、Martin Riedmiller。

5.2 2024：在 ITER 基线场景下躲开撕裂模

两年后，普林斯顿团队把这个思路推到了真正的硬骨头：撕裂模不稳定性。

Jaemin Seo、SangKyeun Kim、Azarakhsh Jalalvand、Rory Conlin、Andrew Rothstein、Joseph Abbate、Keith Erickson、Josiah Wai、Ricardo Shousha 和 Egemen Kolemen，《Nature》626, 746–751（2024），DOI 10.1038/s41586-024-07024-9。

他们先做了一个多模态动力学模型，估计未来发生撕裂模的"可撕裂度（tearability）"；然后把这个模型当作 RL 的训练环境，训出一个控制器，实时调整磁约束场，把可撕裂度压在阈值以下。在 DIII-D 上，控制器在低安全因子、低转矩这些本来很容易出事的条件下，依然一边维持 H 模性能，一边沿着时变运行空间里的"稳定谷"走。

关于作者的机构，这里有个常见错误要纠正。 第一作者 Jaemin Seo 在论文发表时是普林斯顿大学机械与航空航天工程系的博士后，现在（2024 年起）是韩国中央大学（Chung-Ang University）物理系助理教授。他的本科和博士（2017 / 2022）都在首尔大学核工程系。网上有不少材料把他说成"韩国核聚变能研究院（KFE）"或"首尔大学"，都不对。通讯作者 Egemen Kolemen 是普林斯顿大学机械与航空航天工程系副教授，同时隶属 Andlinger 能源与环境中心和 PPPL。

5.3 同时搞定两台机器：ELM 抑制

同年，SangKyeun Kim 领衔在《Nature Communications》上发表《Highest fusion performance without harmful edge energy bursts in tokamak》（15, 3990, 2024，DOI 10.1038/s41467-024-48415-w），在 DIII-D 和 KSTAR 两台装置上用同一套代码实现了近乎完全无 ELM 的高性能运行。

他们的核心武器是给 GPEC 等离子体响应代码做了一个 ML 代理（ML-3D），用 8490 个 KSTAR 平衡的 GPEC 模拟训练一个九输入的全连接多层感知机，把计算压到毫秒级，嵌进 KSTAR 的自适应 RMP 优化器。在 KSTAR 上，ML 集成的自适应优化器在 4.5 秒触发、6.2 秒实现安全 ELM 抑制；在 DIII-D 上，ITER 相关的 n = 3 RMP 条件下聚变性能因子 G 相对初始标准 ELM 抑制态提升超过 90%。

原文强调 ML-3D 基于物理模型而非实验数据，所以可以直接外推到 ITER。

卷号提醒：美国能源部官网的相关新闻稿把这条引用写成 "Nature Communications 16, 3990 (2024)"，这是错的——第 16 卷是 2025 年。正确是 15 卷 3990 号，2024 年。

5.4 2025：预测优先的实验，把电流加 20%

最新的一步是 MIT 与 EPFL、CFS 合作的 TCV 降落段（rampdown）工作，发表在《Nature Communications》16, 8877（2025），DOI 10.1038/s41467-025-63917-x。第一作者 Allen M. Wang（MIT 等离子体科学与聚变中心 + 信息与决策系统实验室），合作者包括 EPFL 瑞士等离子体中心的 Alessandro Pau、Olivier Sauter、Federico Felici 等，CFS 的 Mark D. Boyer，以及 MIT 的 Cristina Rea、Chuchu Fan。

他们把物理模型和数据驱动模型揉成一个神经状态空间模型（NSSM），只用 311 炮放电（其中只有 5 炮在堆相关的高性能区间）就学会了 TCV 降落段的动力学；然后把不确定性并行化，用 RL 设计躲避不稳定性边界的轨迹。最关键的一步是预测优先实验：他们把等离子体电流在基线基础上提高了 20% 去做实验，模型小外推成功，实验指标有统计显著的改善。

这是我认为最能说明问题的一个结果：数字孪生不是"拟合历史"，而是"预言未来并兑现"。

---

六、破裂预测：从"预警"到"跨机器迁移"

破裂是聚变工程里最贵的那类事故，也是 ML 最早落地的地方。

6.1 FRNN 与"跨机器"这个关键命题

2019 年，Julian Kates-Harbeck、Alexey Svyatkovskiy 和 William Tang 在《Nature》上发表 FRNN（Fusion Recurrent Neural Network），568, 526–531，DOI 10.1038/s41586-019-1116-4。用 DIII-D 和 JET 的数据训练深度循环网络预测破裂。

这篇最重要的贡献其实不是精度，而是跨机器泛化：模型在一台机器上训练，能在另一台上用。这对 ITER 是生死攸关的——因为 ITER 承受不起"用自己制造破裂来训练"这件事。

机构要说准：Kates-Harbeck 同时署名哈佛大学物理系、哈佛进化动力学项目和 PPPL，当时是 DOE 计算科学研究生；Svyatkovskiy 当时在普林斯顿计算科学与工程研究所（PICSciE），论文里同时列了微软；资深作者 William Tang 是 PPPL 首席研究物理学家兼普林斯顿天体科学系教授。常见误写是"哈佛独立完成"或"PPPL 独立完成"，两说都不完整。

6.2 跨机器迁移到底靠什么

MIT PSFC 的 Jinxiang Zhu、Cristina Rea、Kevin Montes、Robert Granetz、Ryan Sweeney、R. Alex Tinguely 在《Nuclear Fusion》61, 026007（2021）上把这件事做透了。他们的混合深度学习架构在 C-Mod（AUC 0.801）、DIII-D（0.947）、EAST（0.973）上都有高准确率；更有意思的发现是：

非破裂数据是机器特有的，破裂数据里却含有跨机器通用的知识。

具体实验：只用 20 炮 EAST 破裂放电 + 数千炮 EAST 非破裂放电 + 一千多炮 DIII-D 和 C-Mod 的数据，EAST 预测 AUC 就能到 0.959。这个结论对所有三台机器的排列组合都成立。

同一批人还做了另一件事（Nucl. Fusion 61, 116019? ——此处原文为 Zhu、Rea、Granetz、Marmar 等 2021 年的"Scenario adaptive disruption prediction"研究，DOI 10.1088/1741-4326/ac28ae）：发现用低性能区间数据训出来的预测器，在同一台机器的高性能区间上表现很差；而跨机器时，匹配无量纲物理参数（q95、βp 这类）能显著提升准确率。这条对 ITER 和 SPARC 这种还没有自己数据的新机器，是直接的工程指南。

---

七、仿星器：AI 帮你挑形状

托卡马克之外，仿星器是数字孪生最能发挥的地方——因为仿星器没有"标准形状"，每一个都要靠优化算出来，而且各个物理模块之间高度耦合。

PPPL 的数字工程负责人 Michael Churchill 在 APS DPP 2024 上做了一个报告《A Vision for Simulation-based, Multi-Fidelity Digital Twins in Fusion Energy》，讲的是把从低到高的多档保真度模型串成一个工作流：湍流输运、新经典输运、快离子输运、边缘动力学、MHD 平衡自洽求解，再回过头看等离子体怎么影响工程部件，做设计优化。

这个工作现在已扩展成 DOE SciDAC-5 项目 StellFoundry，2025 年 APS DPP 上由 Churchill 报告了进展。参与者阵容很能说明这个领域的交叉程度：Caltech 的 Anima Anandkumar、ORNL 的 Prasanna Balaprakash 与 Scott Klasky、威斯康星大学麦迪逊分校的 Heinke Frerichs、马里兰大学的 Matt Landreman、哥伦比亚大学的 Elizabeth Paul、宾夕法尼亚大学的 Nathaniel Trask、伦斯勒理工的 Jacob Merson 与 Mark Shephard，以及 PPPL 的 Robert Hager、Felix Parra 等。目前湍流 AI 代理已经建好并用于输运模拟，正在做偏滤器的数字代理。

Churchill 有一句话说得很实在："人们问过能不能给聚变电站做数字孪生，但没人做出来过，因为还没有聚变电站存在。"StellFoundry 的逻辑是：先把数字模型攒够，等哪天真有人造了实体厂，孪生的基础就已经在那儿了。

PPPL 还有一个很聪明的配套思路：未来电站诊断少，所以他们专门在训练"只用反应堆级诊断"（ECE、可见滤光片、干涉偏振仪）就能工作的模型，比如 L-H 模分类。

---

八、中国：从单点算法到"智能数字电站"

8.1 EAST 上的 AI 控制

中国科学院合肥物质科学研究院等离子体物理研究所（ASIPP）的肖炳甲研究员团队在 EAST 上做了系统性的 AI 控制工作。2023 年 AAPPS-DPP 会议上他做的报告《AI applications on EAST for plasma control》总结了整条线：

  • 基于贝叶斯推断做等离子体平衡参数和剖面的一致重建；
  • 用 CNN、LSTM、随机森林、XGBoost 训练破裂预测模型，覆盖杂质爆发、MARFE 等成因，并与 MIT 团队合作做了 C-Mod 和 DIII-D 的跨机器破裂预测；
  • 用离线 EFIT 数据训练神经网络，做等离子体位置和垂直增长率更快更准的实时估计；
  • 用 METIS 建模低杂波响应 + 实验数据，用 RL 控制 β 和 li；
  • 用刚体 RZIP 模型 + 实验数据做垂直位移的 RL 控制；
  • 把 MDS+ 的 PCS 控制数据库重建成 HDF5，实现放电预测。

2026 年 7 月的世界人工智能大会（WAIC）上，肖炳甲在"AI 赋能先进核能"论坛报告称，团队已在 EAST 实现强化学习等离子体位形实时控制，破裂预测精度达 98%。

引用提醒：98% 这个数字来自会议报告口径，目前我未检索到对应的同行评议期刊论文。引用时请标注为会议报告，不要当成论文结论。

8.2 PaMMA-Net：把语音建模经验搬到等离子体上

一个很有中国特色的跨界成果。

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）、ASIPP、合肥综合性国家科学中心能源研究院和科大讯飞研究院组成的 AI For Science 联合团队，开发了 PaMMA-Net（Plasma Magnetic Measurements Incremental Accumulative Prediction Network），发表在《Nuclear Fusion》65, 106027（2025），DOI 10.1088/1741-4326/ae0655。作者：Yunfei Ling、Jun Du、Zijie Liu、Yao Huang、Yuehang Wang、Bingjia Xiao、Xin Fang；通讯作者为中科大的 Jun Du 和能源研究院的 Zijie Liu。

思路的三个要点：

  1. 微变累计预测——先预测微小增量再累积，契合"平衡 + 扰动"的物理建模思路，压缩了建模动态范围；
  2. 状态融合预测——解决观测信号与控制信号维度不齐、磁感应强度与磁通"类内强相关、类间弱相关"的建模难题；
  3. 指定频带数据增强——不破坏低频物理规律的前提下增加高频扰动多样性。

用 EAST 超万次放电数据训练，在含 860 次放电的测试集上预测相似度平均超过 95%，用前 1 秒的电流电压信号预测后 9 秒的磁场信号。

最有价值的一句在论文的定位里：这个响应模型可以当"虚拟装置"，为强化学习和模型预测控制提供训练环境。这跟 TORAX、跟 DIII-D 孪生的思路是完全对齐的。

8.3 CRAFT 负离子源中性束的数字孪生

工程侧也已经有了。ASIPP 的 Yu Gu、Chundong Hu、Yuanzhe Zhao（通讯）、Yang Li、Qinglong Cui，与南京航空航天大学航天学院的 Ruoxin Bai 合作，在《Nuclear Engineering and Technology》57(8), 103540（2025）上发表了 CRAFT 负离子源中性束注入（NNBI）系统的数字孪生。DOI 10.1016/j.net.2025.103540。

Gu、Hu、Li 同时挂中国科学院合肥物质科学研究院等离子体物理研究所和中国科学技术大学。这套系统在虚拟空间复现 NNBI 实体系统与工作流，做射频负离子源（RF-NIS）运行状态的动态映射和实时反馈，目标是支撑未来千秒级长脉冲实验。论文里明确写了一句：这套系统的目的之一是为 AI 模型提供平台。

8.4 "托卡马克聚变智能数字电站"项目

这是中国目前在这个方向上最大规模的组织动作。

2025 年 12 月 9 日，"托卡马克聚变智能数字电站项目"启动会在合肥聚变堆主机关键系统综合研究设施（CRAFT）园区召开。项目由中国科学院合肥物质院等离子体物理研究所牵头，合肥国家综合科学中心能源研究院、中科院物理所、中科院自动化所、中国科学技术大学、复旦大学、浙江大学、厦门大学、大连理工大学、华中科技大学、哈尔滨工程大学、西湖大学、上海核工程研究设计院、国核自仪、科大讯飞等二十余家单位参与。

组织架构：专家咨询委员会主任李建刚院士，项目行政总指挥宋云涛（等离子体所所长），技术总指挥肖炳甲研究员，行政副总指挥胡浩民。

宋云涛在会上给项目定的任务是：构建聚变堆物理实体与过程的高保真数字模型，通过数据驱动与人工智能技术，打造聚变堆智能数字孪生体。李建刚在总结里强调要以发电为核心总目标，用 AI 贯通设计、建造、运行全链条。

这个项目的定位值得记一句：它是面向未来聚变商用电站的关键性、基础性数字基础设施工程，不是某一个算法课题。

---

九、还差什么：五个没解决的问题

说了这么多进展，得说清楚这事儿现在离"能用"还有多远。

9.1 外推失效

所有代理模型的同一个死穴：训练集之外的区域，说崩就崩。ORNL 那篇 SOLPS Transformer 论文里，作者自己就写了：一旦进入训练集中没有的物理区间，精度急剧下降。

对聚变来说这是结构性的——你恰恰需要用它去预测从未运行过的机器。这不是调参能解决的，得靠物理约束（PINN、守恒律嵌入）、多保真度混合训练和主动学习，把分布外的行为硬拉回来。

9.2 不确定性量化

一个没有误差棒的数字，在工程上等于没有数字。APS 那份会议报告把"鲁棒的 UQ 与信任构建"列为五大建议之一，明确要求把贝叶斯推断、基于模拟的推断（SBI）和主动学习工作流集成进去，让每一次预测都自带不确定性估计。EFIT-Prime 是这方面的样板，但目前绝大多数代理模型还做不到。

9.3 诊断贫化

未来的聚变电站会比今天的实验装置盲得多。包层和屏蔽挡住了大部分诊断口。APS 报告里明确说：在数据贫乏环境下，用 ML 生成合成数据、替代失效传感器，是必须解决的问题，不是可选项。

9.4 遗留代码与标准化

很多主力代码是七十年代写的，没有模块化 API，没有标准数据结构。报告给的建议是统一接口、数据格式和坐标约定。这个方向上 2025 年有一件大事：2025 年 12 月 8 日，ITER 组织把 IMAS（Integrated Modelling & Analysis Suite）及其大量物理模型以开源许可发布到 GitHub，包括 SOLPS-ITER、SOLPS-GUI、DINA 等离子体模拟器和加热与电流驱动工作流等（相关代码知识产权归属马普等离子体所、于利希研究中心、Fusion for Energy 和 Plasma Simulation Center，经其支持后开放）。IMAS 数据字典是一套装置无关的标准——这件事对整个数字孪生生态的地基意义，可能超过任何单个算法。

9.5 验证与社区基准

现在各家各做各的，没有统一的验证数据集和跨代码比对研究。APS 报告要求建立基准、共享开放数据集、运行多代码比较研究。这件事没有任何一家机构有动力单独做，但缺了它，整个领域就无法判断"谁的模型真的更好"。

报告还有一句很清醒的话：没有任何单一组织具备独立构建 iDT 的全部技能，成功需要跨越工业界、国家实验室和大学的协作。

---

十、下一步：基础模型与"机群孪生"

10.1 FASST

美国能源部在 2024 年 5 月 7 日的 SCSP AI 博览会上，由副部长 David Turk 宣布了 FASST（Frontiers in Artificial Intelligence for Science, Security, and Technology）倡议。LLNL 的 AI 创新孵化器（AI3）负责人 Brian Spears 在 APS DPP 2024 上做了同名报告，明确把"数字孪生"作为 FASST 与聚变结合的重点，讲到了 AI 驱动的自主实验室与生产设施——物理孪生与数字孪生对接。

Turk 当时的说法是："想象我们有一个基础科学 AI 基础模型，像 ChatGPT 处理英语那样，但它说的是物理和化学。"

需要注意的是：FASST 是一个倡议和计划，不是某个具体模型。引用时别把它当成已发布的系统。

10.2 机群孪生

APS 报告里有一个我认为是最有想象力的提法：机群级（fleet-level）iDT。

逻辑是这样的：单台装置一辈子能跑多少炮？几万炮撑死了。但如果把全世界的托卡马克、未来的聚变电站群都接进同一个孪生框架，共享模型、共享学到的东西，那么每一台机器的孪生都能从别的机器身上获益。

这里面的技术前提正是前面讲过的跨机器迁移（FRNN、Zhu/Rea 的混合架构已经证明了可行性），工程前提则是 IMAS 这样的统一数据标准。2025 年底 ITER 把 IMAS 开源，客观上往这个方向推了一大步。

10.3 顺带记一笔产业侧

这个领域已经出现了专门做"孪生即服务"的公司。卢森堡的 Next Step Fusion（Alexei Zhurba 等）做了 Fusion Twin Platform（fusiontwin.io），是一个基于其 NSFsim 自由边界平衡与输运求解器的免费网页平台，提供 DIII-D、ISTTOK、NSF NTT 等装置的预置数字副本、ML 模型探索、JupyterHub 环境和协作功能。他们还做了用 RL 训练等离子体形状控制器、以及在诊断受限条件下用线圈电流重建最后闭合磁面的工作（仅用线圈电流时平均点位移 0.045 m，加上等离子体电流和环电压降到 0.03 m）。

产业侧信息变化快，本文只记录到 2025 年底的状态。

---

十一、写在最后：这件事真正的落点

如果把这篇文章压成一句话，我想是这句：

聚变之所以可能是 AI 最值得投入的工程领域，不是因为 AI 让仿真更快，而是因为聚变是人类唯一必须在第一次就做对的超大工程。

汽车可以召回，软件可以打补丁，聚变电站不行。在物理上，它被"不能失败"这件事锁死了；在工程上，它被"中子活化后无法接近"锁死了；在经济上，它被"没有第二份钱"锁死了。这三条锁，把聚变推进了唯一一条可行的路：先在数字世界里把这台机器活过一遍。

而这件事能不能成，不取决于超算有多快，取决于三件小事：

  1. 代理模型能不能带着误差棒回答；
  2. 跨机器、跨区间的外推能不能被物理约束兜住；
  3. 全行业愿不愿意共享数据和基准。

第一件是技术问题，第二件是物理问题，第三件是人的问题。经验告诉我们，第三件通常最难。

---

附：核实与纠错记录

这一轮逐条核实了全部引用，以下是常见误记与更正，写作和引用时请特别注意：

  1. Kim 等的 ELM 抑制论文卷号：正确为 *Nat. Commun.* 15, 3990 (2024)。美国能源部官网的新闻稿写作 "Nature Communications 16, 3990 (2024)"，属错误——第 16 卷是 2025 年。
  2. Jaemin Seo 的机构：《Nature》626, 746 (2024) 发表时他是普林斯顿大学机械与航空航天工程系博士后，2023 年起任韩国中央大学（Chung-Ang University）物理系助理教授；本科与博士（2017/2022）在首尔大学核工程系。常见误写为"KFE 韩国核聚变能研究院"或"首尔大学现职"，均不准确。
  3. FRNN 作者机构不完整：Kates-Harbeck 同时署名哈佛物理系、哈佛进化动力学项目与 PPPL；Svyatkovskiy 当时在普林斯顿 PICSciE 且论文列微软；资深作者 William Tang 在 PPPL 与普林斯顿天体科学系。"哈佛独立完成"或"PPPL 独立完成"两说都不完整。
  4. TORAX 作者单位是 Google DeepMind（伦敦），不是 DIFFER，也不是 CFS。CFS 的 Battaglia、Teplukhina、Wai 是合作者。另：Federico Felici 在 2022 年《Nature》TCV 工作中署名 EPFL，到 TORAX 时已转入 DeepMind。
  5. FUSE 由 General Atomics 开发（Orso Meneghini 领衔，团队全部来自 GA，部分经 ORAU 聘用），Julia 编写、Apache 2.0 开源，经费来自 GA 自筹。常被误传为 ITER 或 EUROfusion 项目。
  6. GyroSwin 的两个加速数字不能混用：arXiv:2502.07469（2025-02，Galletti 一作）报告"单步预测快两个数量级"；arXiv:2510.07314（NeurIPS 2025，Paischer 一作）才是"降低三个数量级"。
  7. Ellis 等的全机有限元论文：正式出处是 *Nucl. Fusion* 65, 036033 (2025)，DOI 10.1088/1741-4326/adb443；arXiv:2409.13554 是预印本，不应作为正式引用。八位作者全部为 UKAEA Culham。
  8. Battye & Perinpanayagam 综述的单位是英国约克大学（York Plasma Institute + Data-Centric Engineering and Digital Twinning Synergy），不是 UKAEA，也不是曼彻斯特大学。
  9. UKAEA 的 Omniverse 论文作者单位全部是 UKAEA Culham；文中提到的与曼彻斯特大学合作限于是材料 BRDF 属性研究，合作 ≠ 作者单位。
  10. ITER 与微软的合作：谅解备忘录签署于 2024 年 3 月 26 日，推动者是 ITER 副总干事兼首席科学家 Alain Bécoulet。合作范围包括建造、等离子体建模、仿真与高性能计算，也涵盖用 Copilot 做文档检索和代码开发。
  11. IMAS 开源的时间是 2025 年 12 月 8 日，此前并非开源。
  12. NVIDIA–GA 的 DIII-D AI 数字孪生是 2025 年 10 月 28 日 GTC 华盛顿特区的公司公告，不是同行评议论文。三个模型为 EFIT（平衡）、CAKE（边界）、ION ORB（逃逸离子热密度），训练于 Polaris（ALCF）与 Perlmutter（NERSC）。误差界与闭环实时指标未公开，引用必须标注为公告。
  13. "700 名科学家、100 家机构"是 DIII-D 装置的用户总规模，不是该数字孪生项目的参与人数，二者不可混用。
  14. ML-3D 的"不需要实验数据"是原文特指：它是物理模型 GPEC 的代理（用 8490 个 KSTAR 平衡的 GPEC 模拟训练），因此不需要实验数据即可外推到 ITER；不是说模型不需要训练数据。
  15. 肖炳甲"破裂预测精度 98%"是 2026 年 WAIC 会议报告口径，目前未见对应的同行评议论文；引用须标注为会议报告。其单位为中科院合肥物质科学研究院等离子体物理研究所。
  16. "托卡马克聚变智能数字电站"项目：2025 年 12 月 9 日启动，等离子体所牵头；行政总指挥宋云涛（所长）、技术总指挥肖炳甲、专家咨询委员会主任李建刚院士；参与单位二十余家（含中科院自动化所、物理所，中科大、复旦、浙大、厦大、大工、华科、哈工程、西湖大学，上海核工院、国核自仪、科大讯飞等）。
  17. CRAFT NNBI 数字孪生论文：作者单位为中科院合肥物质院等离子体所 + 中国科大（Gu、Hu、Li）与南京航空航天大学航天学院（Bai），通讯作者是等离子体所的 Yuanzhe Zhao。
  18. PORTALS 的宣传口径要分清：NF 62, 076036 (2022) 正式论文的卖点是"用最少次数的昂贵回旋动理学模拟达到收敛"；"至少快 5 倍"出自 2023 年 MIT PSFC 的研讨会报告口径，二者不是同一表述。
  19. FASST 是 DOE 于 2024 年 5 月 7 日宣布的倡议，不是已发布的具体模型或系统；LLNL 的 AI3 由 Brian Spears 领导，DSI 主任为 Brian Giera。
  20. SPARC 首轮预测论文是预印本：arXiv:2403.15633，作者含 MIT（Rodriguez-Fernandez、Howard、Saltzman、Shoji、Hughes）、CFS（Body、Battaglia、Creely）、GA（Candy）与 ORNL（Staebler），标注投往 *Phys. Plasmas*。
  21. 《物理学报》HL-3 偏滤器 ML 论文：74(13), 20250381 (2025)，DOI 10.7498/aps.74.20250381，作者为 Y. Wu、H. Du、L. Xue 等，工作对象是核工业西南物理研究院的 HL-3 装置；作者具体署名单位以期刊页为准，本文未作机构断言。
  22. Csala 等的 SOLPS Transformer 是预印本（arXiv:2512.23884，2025-12，ORNL 计算科学与工程部 + 聚变能部 + 计算机科学与数学部），尚未见刊，引用须注明。

---

参考文献

  1. D. P. Schissel, R. M. Nazikian (General Atomics), T. Gibbs (NVIDIA), "Summary report from the mini-conference on Digital Twins for Fusion Research", *Physics of Plasmas* 32, 050601 (2025). DOI: 10.1063/5.0273586
  2. M. I. Battye, S. Perinpanayagam, "Digital Twins in Fusion Energy Research: Current State and Future Directions", *IEEE Access* 13, 75787–75821 (2025). DOI: 10.1109/ACCESS.2025.3561920（英国约克大学，物理工程与技术学院；York Plasma Institute 与 Data-Centric Engineering and Digital Twinning Synergy）
  3. M. Grieves, J. Vickers, "Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems", in *Transdisciplinary Perspectives on Complex Systems*, Springer (2017). DOI: 10.1007/978-3-319-38756-7_4
  4. J. Degrave, F. Felici, J. Buchli, M. Neunert, B. Tracey, F. Carpanese, T. Ewalds, R. Hafner, …, S. Coda, B. Duval, A. Fasoli, O. Sauter, P. Kohli, K. Kavukcuoglu, D. Hassabis, M. Riedmiller, "Magnetic control of tokamak plasmas through deep reinforcement learning", *Nature* 602, 414–419 (2022). DOI: 10.1038/s41586-021-04301-9（DeepMind，伦敦；瑞士等离子体中心 SPC-EPFL，洛桑）
  5. J. Seo, S. 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, 746–751 (2024). DOI: 10.1038/s41586-024-07024-9（普林斯顿大学机械与航空航天工程系；PPPL；中央大学物理系）
  6. S. K. Kim, R. Shousha, S. M. Yang, Q. Hu, A. Bortolon, J. Snipes, E. Kolemen, S. H. Hahn, Y. M. Jeon, … R. Nazikian, C. Paz-Soldan 等, "Highest fusion performance without harmful edge energy bursts in tokamak", *Nature Communications* 15, 3990 (2024). DOI: 10.1038/s41467-024-48415-w（PPPL、普林斯顿大学、KFE、通用原子公司等）
  7. A. M. Wang, A. Pau, C. Rea, O. So, C. Dawson, O. Sauter, M. D. Boyer, A. Vu, C. Galperti, C. Fan, A. Merle, Y. Poels, C. Venturini, F. Felici, S. Marchioni, TCV Team, "Learning plasma dynamics and robust rampdown trajectories with predict-first experiments at TCV", *Nature Communications* 16, 8877 (2025). DOI: 10.1038/s41467-025-63917-x（MIT PSFC 与 LIDS；EPFL 瑞士等离子体中心；CFS）
  8. J. Kates-Harbeck, A. Svyatkovskiy, W. Tang, "Predicting disruptive instabilities in controlled fusion plasmas through deep learning", *Nature* 568, 526–531 (2019). DOI: 10.1038/s41586-019-1116-4（哈佛大学物理系与进化动力学项目；PPPL；普林斯顿 PICSciE；微软）
  9. J. X. Zhu, C. Rea, K. J. Montes, R. S. Granetz, R. Sweeney, R. A. Tinguely, "Hybrid deep-learning architecture for general disruption prediction across multiple tokamaks", *Nuclear Fusion* 61, 026007 (2021). DOI: 10.1088/1741-4326/abc664（MIT 等离子体科学与聚变中心）
  10. P. Rodriguez-Fernandez, N. T. Howard, J. Candy, "Nonlinear gyrokinetic predictions of SPARC burning plasma profiles enabled by surrogate modeling", *Nuclear Fusion* 62, 076036 (2022). DOI: 10.1088/1741-4326/ac64b2（MIT PSFC；General Atomics）
  11. N. T. Howard, P. Rodriguez-Fernandez, C. Holland, J. Candy, "Prediction of performance and turbulence in ITER burning plasmas via nonlinear gyrokinetic profile prediction", *Nuclear Fusion* 65, 016002 (2025). DOI: 10.1088/1741-4326/ad8804（MIT PSFC；UC San Diego；General Atomics）
  12. P. Rodriguez-Fernandez, N. T. Howard, A. Saltzman, L. Shoji, T. Body, D. J. Battaglia, J. W. Hughes, J. Candy, G. M. Staebler, A. J. Creely, "Core performance predictions in projected SPARC first-campaign plasmas with nonlinear CGYRO", arXiv:2403.15633（预印本，标注投 *Phys. Plasmas*；MIT PSFC、CFS、GA、ORNL）
  13. F. Paischer, G. Galletti, W. Hornsby, P. Setinek, L. Zanisi, N. Carey, S. Pamela, J. Brandstetter, "GyroSwin: 5D Surrogates for Gyrokinetic Plasma Turbulence Simulations", NeurIPS 2025, arXiv:2510.07314（林茨约翰·开普勒大学 ELLIS 单元 / NXAI；UKAEA）
  14. G. Galletti, F. Paischer, P. Setinek, W. Hornsby, L. Zanisi, N. Carey, S. Pamela, J. Brandstetter, "5D Neural Surrogates for Nonlinear Gyrokinetic Simulations of Plasma Turbulence", arXiv:2502.07469（2025，预印本）
  15. G. H. Zheng, Z. Y. Yang, S. F. Liu, R. Ma, X. W. Gong, A. Wang, S. Wang, W. L. Zhong, "Real-time equilibrium reconstruction by multi-task learning neural network based on HL-3 tokamak", *Nuclear Fusion* 64, 126041 (2024). DOI: 10.1088/1741-4326/ad8014
  16. S. Madireddy, C. Akçay, … S. E. Kruger 等, "EFIT-Prime: Probabilistic and physics-constrained reduced-order neural network model for equilibrium reconstruction in DIII-D", *Physics of Plasmas* 31, 092505 (2024). DOI: 10.1063/5.0213609（阿贡国家实验室；General Atomics）
  17. J. Citrin, I. Goodfellow, A. Raju, J. Chen, J. Degrave, C. Donner, F. Felici, P. Hamel, A. Huber, D. Nikulin, D. Pfau, B. Tracey, M. Riedmiller, P. Kohli, "TORAX: A Fast and Differentiable Tokamak Transport Simulator in JAX", arXiv:2406.06718（Google DeepMind，伦敦；v4 更新于 2026-07）
  18. O. Meneghini, T. Slendebroek, B. C. Lyons, K. McLaughlin, J. McClenaghan, L. Stagner, J. Harvey, T. F. Neiser, A. Ghiozzi, G. Dose, J. Guterl, A. Zalzali, T. Cote, N. Shi, D. Weisberg, S. P. Smith, B. A. Grierson, J. Candy, "FUSE (Fusion Synthesis Engine): A Next Generation Framework for Integrated Design of Fusion Pilot Plants", arXiv:2409.05894（2024，全部来自 General Atomics）
  19. W. M. E. Ellis, L. Reali, A. Davis, H. M. Brooks, I. Katramados, A. J. Thornton, R. J. Akers, S. L. Dudarev, "Mechanical model for a full fusion tokamak enabled by supercomputing", *Nuclear Fusion* 65, 036033 (2025). DOI: 10.1088/1741-4326/adb443（全部来自 UKAEA Culham 园区）
  20. N. Bhatia, R. Costa, S. J. P. Pamela, A. Davis, A. N. Gonzalez Beltran, V. Gopakumar, L. Zanisi, S. de Witt, R. Akers, "Visualizing digital twins of fusion power plants using NVIDIA Omniverse", *AIP Advances* 15, 045018 (2025). DOI: 10.1063/5.0261883（全部来自 UKAEA Culham 园区）
  21. A. Davis (UKAEA), "High Fidelity Digital Twins of Fusion Plant", APS DPP 2024 邀请报告 BM11.2（会议摘要，reports CHIMERA 见 T. R. Barrett 等, *Fusion Eng. Des.* 194, 113689 (2023)）
  22. J.-M. Kwon 等（韩国核聚变能研究院 KFE）, "Development of a Virtual Tokamak platform", *Fusion Engineering and Design* 184, 113281 (2022). DOI: 10.1016/j.fusengdes.2022.113281
  23. J.-M. Kwon (KFE), "Progresses in the Development of a Virtual Tokamak Platform based on Digital Twin Technology", APS DPP 2024 报告 BM11.8；另见同上, "Progress in Digital Twin Development of Virtual Tokamak Platform", *IEEE Trans. Plasma Sci.*, DOI: 10.1109/TPS.2024.3390159
  24. T. Moon, T. Rhee, J.-M. Kwon, E. Yoon (UNIST 与 KFE), "Development of novel collision detection algorithms for the estimation of fast ion losses in tokamak fusion device", *Computer Physics Communications*（2025 年 4 月号）
  25. Y. Gu, C. Hu, Y. Zhao, Y. Li, Q. Cui, R. Bai, "Design and implementation of the digital twin system for the negative ion based neutral beam injection", *Nuclear Engineering and Technology* 57(8), 103540 (2025). DOI: 10.1016/j.net.2025.103540（中科院合肥物质院等离子体物理研究所；中国科学技术大学；南京航空航天大学航天学院）
  26. Y. Ling, J. Du, Z. Liu, Y. Huang, Y. Wang, B. Xiao, X. Fang, "PaMMA-Net: plasmas magnetic measurement evolution based on data-driven incremental accumulative prediction", *Nuclear Fusion* 65, 106027 (2025). DOI: 10.1088/1741-4326/ae0655（中国科学技术大学；合肥综合性国家科学中心能源研究院；中科院等离子体物理研究所；科大讯飞研究院）
  27. Y. Wu, H. Du, L. Xue 等, "基于机器学习的托卡马克偏滤器靶板热负荷预测研究", 《物理学报》74(13), 20250381 (2025). DOI: 10.7498/aps.74.20250381（HL-3 装置）
  28. H. Csala, S. De Pascuale, P. Laiu, J. Lore, J.-S. Park, P. Zhang, "Autoregressive long-horizon prediction of plasma edge dynamics", arXiv:2512.23884（2025 预印本，橡树岭国家实验室）
  29. B. Xiao（肖炳甲）, W. Hu, Y. Huang, Y. Wang, Y. Zhang, B. Liu, D. Chen, B. Guo, Q. Yuan, W. Rui, H. Song, S. Wang, K. Wu, B. Shen 等, "AI applications on EAST for plasma control", AAPPS-DPP 2023 会议报告（中国科学院等离子体物理研究所）
  30. 中国科学院合肥物质院等离子体物理研究所, "托卡马克聚变智能数字电站项目启动会议举办", 2025 年 12 月 12 日发布（启动会于 2025-12-09 在合肥 CRAFT 园区召开）
  31. ITER Organization, "Microsoft and ITER to harness the power of AI"（微软–ITER 谅解备忘录，2024-03-26）；"AI ignites innovation in fusion"（2025）
  32. ITER Organization, "Release of IMAS infrastructure and physics models as open source", 2025 年 12 月 8 日（GitHub: github.com/iterorganization）
  33. NVIDIA / General Atomics, DIII-D AI 数字孪生发布公告，NVIDIA GTC Washington D.C.，2025 年 10 月 28 日（含 EFIT、CAKE、ION ORB 三模型；合作方为 UCSD 圣迭戈超级计算中心、ALCF、NERSC）
  34. B. K. Spears (LLNL), "Frontier AI for Science, Security, and Technology (FASST): transformative AI for the fusion community and the nation", APS DPP 2024 报告 CM11.2；FASST 倡议由 DOE 副部长 David Turk 于 2024 年 5 月 7 日在 SCSP AI Expo 宣布
  35. M. Churchill (PPPL), "A Vision for Simulation-based, Multi-Fidelity Digital Twins in Fusion Energy", APS DPP 2024 报告 BM11.4；及 "StellFoundry: Creating a framework for advanced stellarator design optimization and validation", APS DPP 2025 报告 PP13.40（SciDAC-5 项目，参与单位含 PPPL、Caltech、ORNL、威斯康星大学麦迪逊分校、马里兰大学、哥伦比亚大学、伦斯勒理工、宾夕法尼亚大学等）
  36. A. Zhurba, M. Nurgaliev, G. Subbotin, I. Kozlov, A. Asaturov, D. Almukhametov, E. Khayrutdinov, D. Orlov (Next Step Fusion / UC San Diego), "FUSION TWIN PLATFORM — An Innovative Tool for Fusion Research and Education", IAEA FEC 2025 论文 IAEA-CN-316/2620；另见 APS DPP 2024 报告 BM11.11
  37. P. Rodriguez-Fernandez, N. T. Howard, A. Saltzman, S. Kantamneni, J. Candy, C. Holland, M. Balandat, S. Ament, A. E. White, "Enhancing predictive capabilities in fusion burning plasmas through surrogate-based optimization in core transport solvers", arXiv:2312.12610（2023）
  38. J. Zhu, C. Rea, R. S. Granetz, E. S. Marmar, K. J. Montes, R. Sweeney, R. A. Tinguely, D. L. Chen, B. Shen, B. J. Xiao, D. Humphreys, J. Barr, O. Meneghini, "Scenario adaptive disruption prediction study for next generation burning-plasma tokamaks", *Nuclear Fusion* 61(11) (2021). DOI: 10.1088/1741-4326/ac28ae（MIT PSFC、General Atomics、中科院等离子体物理研究所等合作；文章号以期刊页为准）