索菲利奥启动聚变平衡挑战赛，开放DIII-D与MAST实验数据集

8月11日，索菲利奥 (Sophelio) 启动“聚变平衡挑战赛”(Fusion Equilibrium Challenge)。该赛事已被纳入2026年神经信息处理系统大会 (NeurIPS) 竞赛轨道，是首个进入该竞赛轨道的聚变能源相关挑战赛。

本次挑战赛由索菲利奥联合DIII-D国家聚变设施 (DIII-D National Fusion Facility)、英国原子能管理局 (UKAEA) FAIR-MAST项目以及德克萨斯大学奥斯汀分校聚变研究所 (IFS) 共同举办，数据托管于Hugging Face平台。赛事面向全球机器学习社区，要求参赛者仅利用非磁性诊断测量数据，重建受约束聚变等离子体中无法直接观测的磁结构。

主办方表示，未来反应堆级聚变装置，如国际热核聚变实验堆 (ITER)、SPARC、ARC和中国聚变工程试验堆 (CFETR)，将在高中子通量环境下运行。这类环境可能削弱传统磁传感器性能，而长脉冲运行中的场积分器漂移也会影响磁测量可靠性。因此，如何在磁诊断不可用、性能下降或受限时完成平衡推断，被视为未来聚变电站运行中的关键问题之一。

挑战赛重点考察机器学习模型能否依靠极向场线圈电流、汤姆逊散射电子分布等非磁性特征，重建受约束等离子体的磁场几何结构，包括完整二维极向磁通量图ψ(R,Z)及关键平衡参数。若相关方法取得进展，将有助于降低未来反应堆级聚变系统对复杂磁诊断的依赖，并支持更简化的诊断运行方案。

本次开放数据集以CC BY 4.0许可发布，包含来自两个实验托卡马克装置的9121次等离子体放电数据。其中，7915次来自位于圣迭戈的DIII-D国家聚变设施，1206次来自通过UKAEA FAIR-MAST项目发布的MAST装置数据。

赛事还将检验一个跨装置问题：机器学习模型究竟只能学习特定装置的相关性，还是能够形成适用于不同几何结构、诊断配置和运行条件的通用表征。这一问题对聚变平衡重建模型在未来装置中的可迁移性具有直接意义。

索菲利奥联合创始人兼首席执行官克雷格·米乔斯基 (Craig Michoski) 表示，机器学习领域的重要进展通常离不开开放数据集和有意义的基准测试，聚变领域也需要类似转变。通过让人工智能研究者参与面向未来反应堆的实际问题，主办方希望推动机器学习与聚变能源研究同步发展。

除已发布的数据外，DIII-D作为仍在运行的实验设施，还将继续开展实验活动。该项目计划围绕本次挑战赛暴露出的薄弱环节安排后续实验，重点关注重建模型表现较弱的诊断条件。

参赛者可使用索菲利奥开发的免费桌面平台数据融合标注器 (dFL) 查看数据集中的每次放电。该工具支持多模态传感器数据处理，可用于检查磁通量等值线、汤姆逊散射剖面和诊断时间序列，帮助参赛者在建模和评估前理解数据特征。

目前，竞赛第一阶段已开放，并设有公开的Codabench排行榜。第二阶段计划于2026年10月启动，最终结果将于2026年12月在NeurIPS 2026公布。赛事将分别为性能最佳的装置内重建模型和零样本跨装置泛化能力最强的模型颁发现金奖励。表现突出的团队还将有机会参与竞赛经验总结论文署名，并受邀在NeurIPS竞赛研讨会上展示研究成果。