要站在“社会变革”的立场上理解AI

关于如何使用深度强化学习（Deep Reinforcement Learning, RL）技术来避免在托卡马克（tokamak）核聚变反应器中发生的撕裂不稳定性（tearing instability）。撕裂不稳定性是导致等离子体中断的主要因素，对于实现稳定和高效的聚变能源生产至关重要。文章的主要贡献和发现包括：

AI控制器的开发：研究者们开发了一个基于深度神经网络（DNN）的AI控制器，该控制器能够通过观察等离子体状态并实时操纵执行器来主动控制等离子体，以降低撕裂不稳定性的可能性。

动态模型的应用：研究者们利用了一个多模态动态模型，该模型能够基于来自多个诊断和执行器的信号预测未来撕裂不稳定性的可能性。这个动态模型被用作RL训练环境，以实现自动化的不稳定性预防。

实验验证：在美国最大的磁聚变设施DIII-D上，研究者们展示了AI控制能够降低破坏性撕裂不稳定性的可能性。即使在低安全因子和低扭矩的不利条件下，控制器也能维持撕裂可能性在给定阈值以下。

控制策略：AI控制器通过调整总束功率和等离子体三角形来追求高压力等离子体，同时保持低撕裂可能性。这种控制策略使得托卡马克操作能够在放电过程中遵循一个狭窄的期望路径。

ITER相关性：这项研究为ITER（国际热核聚变实验堆）的稳定高性能操作场景的开发铺平了道路，特别是在ITER基线场景下，撕裂不稳定性是一个关键问题。

未来应用：研究者们指出，这种基于AI的撕裂避免技术不仅可以应用于特定的实验条件，还可以在其他操作环境甚至意外情况下稳健地避免撕裂不稳定性。此外，这种算法可以与等离子体剖面预测系统或物理信息相结合，以优化整个放电过程。

数据可用性：支持这项研究结果的数据可以在合理请求下从相应的作者那里获得。

参考论文：https://www.nature.com/articles/s41586-024-07024-9