在托卡马克（Tokamak）聚变反应堆中，保持高压氢等离子体的稳定性是实现有效聚变能量生产的关键。然而，撕裂不稳定性是导致等离子体破裂的主要原因，尤其在ITER基线场景下，这种不稳定性极难预测且容易中止等离子体操作。
自然杂志《Nature》2024年2月21日发表了一篇题为《利用深度强化学习避免聚变等离子体撕裂不稳定性》（Avoiding fusion plasma tearing instability with deep reinforcement learning）的文章。来自美国普林斯顿大学（Princeton University）机械与航空航天工程系（Department of Mechanical and Aerospace Engineering）及等离子体物理实验室（Princeton Plasma Physics Laboratory）和韩国中央大学物理系（Department of Physics, Chung-Ang University）的联合研究团队通过结合多模态动态模型和深度强化学习（Deep Reinforcement Learning, DRL），提出了一种新方法来应对聚变反应堆中常见的撕裂不稳定性问题。
研究方法
研究团队开发了一种多模态动态模型，通过多种诊断和执行器信号估计未来撕裂不稳定性的可能性。然后，他们将这一动态模型用作强化学习的训练环境，从而实现了自动化的不稳定性预防。具体来说，研究团队在美国最大的磁约束聚变设施DIII-D中进行了验证，通过AI控制器在低安全系数和低扭矩的条件下成功降低了撕裂不稳定性发生的可能性。每当等离子体由于撕裂不稳定而破裂的前夕，系统提前预警并自动调整相应的磁约束聚变设施。
主要发现
动态控制系统设计：利用DRL控制系统，根据等离子体状态主动调整执行器，以在高压等离子体和稳定性极限之间找到平衡。通过训练DRL模型，使其能够在不同条件下维持撕裂不稳定性的低发生率。
实验验证：在DIII-D实验中，AI控制器能够在较为不利的条件下保持撕裂不稳定性低于设定阈值，并且在保持H模式性能的同时，实现了等离子体稳定路径的跟踪。
高性能操作场景：该方法为未来ITER高性能操作场景的开发奠定了基础，展示了AI控制在复杂等离子体环境中的潜力。
技术突破
研究的主要技术突破在于利用深度强化学习和多模态动态模型，有效预测并控制等离子体中的撕裂不稳定性。通过这一方法，研究团队不仅解决了传统预编程控制方法在处理复杂等离子体状态时的局限性，还展示了在实际操作中DRL系统的适应能力和有效性。
对可控核聚变的影响
这一研究为可控核聚变领域带来了重要影响。首先，通过AI控制技术的引入，大大提高了等离子体稳定性的控制能力，从而有助于实现长脉冲和高性能的聚变反应。其次，该技术的成功验证为未来ITER等大型聚变项目提供了宝贵的经验和技术参考，有望加速聚变能量从实验室走向实际应用的步伐。
科学团队的研究在利用深度强化学习应对聚变等离子体不稳定性方面取得了显著进展，展示了AI技术在核聚变能量开发中的巨大潜力和应用前景。
写在最后
但我们必须保持理性，目前的托卡马克实验仍然依赖于外部能量输入来维持等离子体的高温状态，而且聚变反应的能量输出尚未达到足够维持等离子体状态的水平。因此，实现可持续的自维持聚变反应仍然是一个挑战。
尽管目前还没有实现发电正输出的托卡马克聚变反应堆，但科学家和工程师们在不断努力解决这些技术难题，以期最终实现商业化的核聚变能源。随着技术的进步和研究的深入，托卡马克聚变反应堆有望成为未来清洁能源的重要来源之一。
