近日，西物院中國環流三號智能控制團隊在等離子體破裂預警領域突破了一項關鍵技術，他們提出了“參數預演神經網絡”的架構，在閉環驗證中取得95.5%的預測成功率，大幅提升了破裂預測算法在低參數區間訓練，進而在高參數區間部署應用時的算法表現，為未來大型聚變裝置的破裂防護問題提供了一條極具潛力的解決思路。

一、背景

等離子體大破裂是一種聚變裝置運行過程中可能出現的不穩定現象，它可能由控制策略的失效、磁流體不穩定性的增長、雜質的積累等復雜的因素引發，會導致等離子體電流、儲能在毫秒級的時間內損失，給裝置產生巨大的熱負荷和應力沖擊。國際上應用人工智能方法預警破裂風險，已經取得了長足的進展，但人工智能算法對于“分布外數據”表現不佳也是所有研究者的共識。對于未來聚變堆來說，在破裂預測算法沒有得到充分驗證前，裝置不能冒著風險在高參數區間運行，而沒有高參數區間的數據，又無法構建可靠的預測算法，整個研究陷入了“先有雞還是先有蛋”的困境。

二、技術基礎

參數預演神經網絡的算法架構如下圖所示，算法將破裂預測的邏輯拆解為兩個階段：

第一個階段構造數據驅動的密度和位形演化預測模塊，根據當前的等離子體狀態和計劃的控制手段預估未來的密度和位形演化曲線;

第二個階段將預測的密度、位形和實際的密度、位形將與其他破裂相關信號一同輸入到破裂預測模塊，計算破裂的發生概率。

當等離子體發生從低參數到高參數區間的切換時，破裂的誘發原因將會出現大幅的變化，但“參數演化不符合預期就更容易破裂”的邏輯則保持不變，這種兩階段的設計將破裂預測的邏輯切換到不變的規律上，從而實現跨參數區間應用效果的提升。

三、關鍵突破

研究團隊將中國環流三號(HL-3)托卡馬克的數據按照等離子體電流、環向磁場、安全因子、儲能、比壓進行了切分，在低參數等離子體放電數據(1號數據集)上訓練算法，并逐個測試模型在高參數數據(2~4)號數據集上的表現，發現參數預演神經網絡(紅色柱)的性能明顯由于傳統的破裂預測方案(藍色柱)。

四、閉環實驗

基于這一技術方案，團隊在早期HL-3實驗數據的基礎上構建了破裂預測算法，并將其應用于高比壓實驗期間的破裂預警，觸發大量氣體注入(MGI)系統以減緩破裂危害，在閉環實驗驗證中取得了95.5%的成功率。五、未來展望圍繞參數預演神經網絡，項目團隊計劃構思一種“階梯式參數抬升+智能破裂預警”的解決方案，讓未來聚變堆可以在極低的風險成本下完成向高參數區間的探索運行，為聚變能源的商用化打下堅實基礎。

免責聲明：本網轉載自合作媒體、機構或其他網站的信息，登載此文出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其內容的真實性。本網所有信息僅供參考，不做交易和服務的根據。本網內容如有侵權或其它問題請及時告之，本網將及時修改或刪除。凡以任何方式登錄本網站或直接、間接使用本網站資料者，視為自愿接受本網站聲明的約束。