近日，中國科學院合肥物質院等離子體所EAST大科學工程團隊孫有文課題組在托卡馬克人工智能物理研究方面取得系列新進展。該團隊利用先進的機器學習和神經網絡技術，成功開發了針對關鍵物理現象的智能預測與識別模型，相關研究成果發表于核聚變領域核心期刊Nuclear Fusion和Plasma Physics and Controlled Fusion。由王輝輝副研究員協助指導的博士生鄧郭洪為兩篇論文的第一作者。
在未來的大型聚變裝置（如ITER）中，等離子體大破裂因其瞬間釋放的巨大熱能和磁能，被視為對裝置安全運行的最大潛在威脅。因此，建立可靠的破裂緩解系統（DMS）至關重要，而這一切的前提是能對大破裂（“鎖模”現象是導致大破裂最主要的誘因之一）進行精準、及時的預測。除了避免災難性的破裂，實現對等離子體運行狀態的精確、智能識別與控制，是未來聚變堆實現高性能穩態運行的另一核心問題。高約束模（H-mode）是ITER的標準運行模式，但其伴生的邊界局域模（ELM）可能對偏濾器靶板造成過高熱負荷，對其自動及時識別是未來聚變堆走向智能控制的重要一步。
課題組在鎖模破裂預測研究中，采用了“前置可解釋性”（ante-hoc）機器學習方法。該方法利用決策樹（Decision Tree）模型內在的透明性，不僅要“知其然”，更要“知其所以然”。團隊開發的“可解釋性預測模型”，在測試集上的受試者工作特征曲線下面積（AUC）高達0.997，并成功揭示了導致鎖模破裂的關鍵物理量。在此基礎上，為滿足真實實驗需求，團隊進一步開發了“實時預測模型”，實現了94%的成功預警率和平均137毫秒的預警時間，足以滿足ITER對破裂預警的需求。這一研究不僅能夠為EAST提供可靠的破裂預警，更通過可解釋性分析，為深入理解破裂物理過程提供參考。
在另一項關于等離子體約束狀態自動識別的研究中，課題組創新性地采用了多任務學習神經網絡（MTL-NN）。該方法巧妙地將運行模式識別（判斷處于L-mode或H-mode）和邊界局域模（ELM）探測兩個緊密關聯的物理任務融合到一個模型中進行協同學習。通過共享網絡層，模型能夠實現任務間的相互糾錯，顯著提升了模型的準確性和魯棒性。為降低信號噪聲干擾，模型以物理定標率中的標量參數作為輸入特征。實驗結果表明，該多任務學習模型的識別準確率高達96.7%，相比同一數據庫下的單任務模型提升了3.6%。這一成果為托卡馬克等離子體運行狀態提供了一種高效、精準的實時“診斷儀”，是發展先進等離子體反饋控制系統、實現高性能穩態運行的關鍵一步。
以上工作得益于EAST大科學裝置團隊成員間的共同協作。這些研究成果展示了人工智能在解決核聚變關鍵問題上的巨大潛力：不僅對EAST裝置未來的高效運行具有直接的應用價值，也為ITER的智能控制和穩定運行提供了重要的科學參考和技術儲備。
目前課題組正在深入開展多種物理過程的人工智能集成控制。相關研究受到國家磁約束核聚變能發展研究專項、國家自然科學基金、中國科學院先導B、安徽省自然科學基金、合肥物質院院長基金等項目的資助。
論文鏈接：
圖1.一次放電實驗中的鎖模破裂預測及模型預警的決策路徑
圖2.鎖模破裂模型各特征的重要性排序
圖3. 用于等離子體約束狀態自動識別的多任務學習神經網絡結構圖
