等离子体所在托卡马克人工智能物理研究方面取得新进展

近日，等离子体所EAST大科学工程团队孙有文三维物理课题组在托卡马克人工智能物理研究方面取得系列新进展。该团队利用先进的机器学习和神经网络技术，成功开发了针对关键物理现象的智能预测与识别模型，相关研究成果以“Automatic identification of tokamak plasma confinement states (L-mode ，ELM-free H-mode ，and ELMy H-mode) with Multi-Task Learning Neural Network”和“Interpretability analysis and real-time prediction of locked mode-induced disruptions in EAST”为题，发表于核聚变领域核心期刊Nuclear Fusion和Plasma Physics and Controlled Fusion。由王辉辉副研究员协助指导的博士生邓郭洪为两篇论文的第一作者。

在未来的大型聚变装置（如ITER）中，等离子体大破裂因其瞬间释放的巨大热能和磁能，被视为对装置安全运行的最大潜在威胁。因此，建立可靠的破裂缓解系统（DMS）至关重要，而这一切的前提是能对大破裂（“锁模”现象是导致大破裂最主要的诱因之一）进行精准、及时的预测。除了避免灾难性的破裂，实现对等离子体运行状态的精确、智能识别与控制，是未来聚变堆实现高性能稳态运行的另一核心问题。高约束模（H-mode）是ITER的标准运行模式，但其伴生的边界局域模（ELM）可能对偏滤器靶板造成过高热负荷，对其自动及时识别是未来聚变堆走向智能控制的重要一步。

课题组在锁模破裂预测研究中，采用了“前置可解释性”（ante-hoc）机器学习方法。该方法利用决策树（Decision Tree）模型内在的透明性，不仅要“知其然”，更要“知其所以然”。团队开发的“可解释性预测模型”，在测试集上的受试者工作特征曲线下面积（AUC）高达0.997，并成功揭示了导致锁模破裂的关键物理量。在此基础上，为满足真实实验需求，团队进一步开发了“实时预测模型”，实现了94%的成功预警率和平均137毫秒的预警时间，足以满足ITER对破裂预警的需求。这一研究不仅能够为EAST提供可靠的破裂预警，更通过可解释性分析，为深入理解破裂物理过程提供参考。

在另一项关于等离子体约束状态自动识别的研究中，课题组创新性地采用了多任务学习神经网络（MTL-NN）。该方法巧妙地将运行模式识别（判断处于L-mode或H-mode）和边界局域模（ELM）探测两个紧密关联的物理任务融合到一个模型中进行协同学习。通过共享网络层，模型能够实现任务间的相互纠错，显著提升了模型的准确性和鲁棒性。为降低信号噪声干扰，模型以物理定标率中的标量参数作为输入特征。实验结果表明，该多任务学习模型的识别准确率高达96.7%，相比同一数据库下的单任务模型提升了3.6%。这一成果为托卡马克等离子体运行状态提供了一种高效、精准的实时“诊断仪”，是发展先进等离子体反馈控制系统、实现高性能稳态运行的关键一步。

以上工作得益于EAST大科学装置团队成员间的共同协作。这些研究成果展示了人工智能在解决核聚变关键问题上的巨大潜力：不仅对EAST装置未来的高效运行具有直接的应用价值，也为ITER的智能控制和稳定运行提供了重要的科学参考和技术储备。目前课题组正在深入开展多种物理过程的人工智能集成控制。相关研究受到国家磁约束核聚变能发展研究专项、国家自然科学基金、中国科学院先导B、安徽省自然科学基金、合肥物质科学研究院院长基金等项目的资助。

论文链接：

1. https://iopscience.iop.org/article/10.1088/1741-4326/ade3ed

2. https://iopscience.iop.org/article/10.1088/1361-6587/ade5c5 

图1.一次放电实验中的锁模破裂预测及模型预警的决策路径

图2.锁模破裂模型各特征的重要性排序

图3. 用于等离子体约束状态自动识别的多任务学习神经网络结构图