普林斯顿大学的AI揭示了聚变传感器无法观测的信息
一款强大的新AI工具Diag2Diag正在通过提供合成且高度详细的缺失等离子体数据，革新聚变研究。该系统由普林斯顿大学的科学家与国际合作者共同开发，利用传感器输入来预测其他诊断设备无法捕获的读数，尤其是在稳定性决定性能的关键等离子体边缘区域。通过减少对笨重硬件的依赖，它有望使未来的聚变反应堆更紧凑、经济且可靠。
AI为等离子体数据“填补空白”
可以想象正在观看一部喜爱的电影时，声音突然停止。代表音频的数据缺失了，只剩下图像。如果人工智能（AI）能够分析视频的每一帧，并根据图片自动提供音频，通过读取唇语并记录每次脚落地的声音呢？
据普林斯顿大学的Azarakhsh Jalalvand介绍，这正是一款新AI背后的基本概念，该AI用于填补关于聚变燃料——等离子体的缺失数据。Jalalvand是最近发表在《自然通讯》上、关于这款名为Diag2Diag的AI的论文的主要作者。“我们发现了一种方法，可以从系统中的一堆传感器获取数据，并为系统中另一种不同的传感器生成合成版本的数据，”他表示。这些合成数据与现实世界的数据一致，并且比实际传感器所能提供的更为详细。这可以提高控制的鲁棒性，同时降低未来聚变系统的复杂性和成本。“Diag2Diag也可能应用于其他系统，如航天器和机器人手术，通过增强细节并从失效或性能下降的传感器中恢复数据，确保关键环境下的可靠性。”
这项研究是普林斯顿大学、某中心能源部（DOE）普林斯顿等离子体物理实验室（PPPL）、中央大学、哥伦比亚大学和首尔国立大学的科学家之间国际合作的结果。研究中用于开发AI的所有传感器数据均来自DIII-D国家聚变设施（某中心能源部的一个用户设施）的实验。
通往紧凑、经济的聚变系统之路
Diag2Diag这个名字来源于“诊断”一词，指的是用于分析等离子体的技术，包括测量等离子体的传感器。诊断设备会以固定的时间间隔进行测量，通常间隔快至几分之一秒。但有些设备的测量频率不足以检测到特别快速演化的等离子体不稳定性：即等离子体的突然变化，这可能使可靠发电变得困难。
聚变系统中有许多诊断设备测量等离子体的不同特性。例如，汤姆逊散射是一种在称为托卡马克的环形聚变系统中使用的诊断技术。汤姆逊散射诊断测量带负电的粒子（称为电子）的温度以及密度（单位空间内电子的数量）。它测量速度快，但还不足以提供等离子体物理学家维持等离子体稳定和处于峰值性能所需的细节。
“Diag2Diag本质上是在不花费硬件成本的情况下，为您的诊断设备提供助力，”该研究的首席研究员Egemen Kolemen表示，他同时在PPPL和普林斯顿大学安林格能源与环境中心以及机械与航空航天工程系任职。
这对汤姆逊散射尤为重要，因为其他诊断设备无法在等离子体边缘（也称为“基座”）进行测量。这是等离子体中最需要监测的部分，但很难测量。仔细监测基座有助于科学家提升等离子体性能，从而学习如何有效地从聚变反应中获取最多能量的最佳方法。
要使聚变能源成为某中心电力系统的主要部分，它必须既经济又可靠。参与Diag2Diag研究团队的PPPL员工研究科学家SangKyeun Kim表示，这款AI正推动某中心朝着这些目标前进。“今天的实验性托卡马克有许多诊断设备，但未来的商业系统可能需要少得多，”Kim说。“这将有助于通过最小化不直接参与能量产生的组件，使聚变反应堆更紧凑。”更少的诊断设备也释放了机器内部宝贵的空间，简化系统也使其更加鲁棒和可靠，出错的机会更少。此外，它还降低了维护成本。
支持抑制等离子体不稳定的领先理论
研究团队还发现，AI数据支持一个关于阻止等离子体破裂的方法如何运作的领先理论。世界各地的聚变科学家正在研究控制边缘局域模（ELMs）的方法，ELMs是聚变反应堆中强大的能量爆发，可能严重损坏反应堆的内壁。一种有前途的阻止ELMs的方法涉及施加共振磁扰动（RMPs）：对用于将等离子体约束在托卡马克内的磁场进行微小改变。PPPL是ELM抑制研究的领导者，最近发表了关于使用AI和传统方法阻止这些有问题的破裂的论文。一种理论认为，RMPs在等离子体边缘产生了“磁岛”。这些磁岛导致等离子体的温度和密度变得平坦，意味着整个等离子体边缘的测量结果更加均匀。
“由于汤姆逊诊断的限制，我们通常无法观察到这种平坦化，”同样参与该项目的PPPL首席研究科学家Qiming Hu表示。“Diag2Diag提供了关于这一过程如何发生及演变的更多细节。”
虽然磁岛可能导致ELMs，但越来越多的研究表明，它们也可以通过使用RMPs进行微调来提高等离子体稳定性。Diag2Diag生成的数据为等离子体基座区域同时出现的温度和密度平坦化提供了新的证据。这有力地支持了用于ELM抑制的磁岛理论。理解这一机制对于开发商业聚变反应堆至关重要。
扩大应用范围
科学家们已经在制定计划，以扩大Diag2Diag的应用范围。Kolemen指出，已有几位研究人员表示有兴趣尝试这款AI。“Diag2Diag可以应用于其他聚变诊断设备，并且广泛适用于其他诊断数据缺失或有限的领域，”他说。
这项研究得到了某中心能源部（奖项号：DE-FC02-04ER54698, DE-SC0022270, DE-SC0022272, DE-SC0024527, DE-SC0020413, DE-SC0015480, DE-SC0024626）以及韩国政府（MSIT）资助的韩国国家研究基金会奖项（RS-2024-00346024）的支持。作者还获得了普林斯顿人工智能实验室（奖项号：2025-97）的财政支持。
