机器学习框架可预测DIII-D聚变装置线圈微位移

美国能源部 (DOE) 托马斯·杰斐逊国家加速器设施 (Thomas Jefferson National Accelerator Facility, Jefferson Lab) 研究人员及合作团队开发出一种机器学习框架，可在下一次实验开始前预测聚变装置关键硬件的微小变化。该方法面向位于圣地亚哥的DIII-D国家聚变装置 (DIII-D National Fusion Facility)，相关成果已发表在《机器学习及其应用》期刊上。

DIII-D国家聚变装置托卡马克内部结构。(图片由通用原子公司提供)

DIII-D是一种托卡马克装置，利用强磁场将温度高于太阳核心的等离子体约束在环形空间内。装置周围布置有一圈大型环向场 (TF) 线圈，用于产生约束等离子体所需的磁场。尽管这些线圈按照严格工程公差制造并固定，但在不同等离子体放电或“脉冲”之间，随着等离子体稳定性变化，线圈仍可能发生极其轻微的位移。这类变化虽小，却可能影响实验过程中的物理状态。

DIII-D装置大约每10分钟进行一次等离子体放电。研究团队希望在两次实验之间的短暂间隔内预测线圈运动，使操作人员能够及时调整等离子体参数，或在需要时安排维护，避免小问题扩大。

“我们开发的这项技术将帮助聚变研究人员在物理装置上实际出现问题之前就发现问题。”杰斐逊实验室数据科学家、论文主要作者基尚·拉杰普特 (Kishan Rajput) 表示。

DIII-D托卡马克装置的艺术家草图和横截面图。(通用原子公司插图)

为实现这一目标，研究人员构建了DIII-D环向场线圈系统的数字孪生模型。该模型采用通过在线学习训练的深度神经网络，能够在新数据到来后持续更新自身，而不是像传统静态模型那样只依赖既有历史数据。拉杰普特指出，由于等离子体行为持续变化，TF线圈数据在不同测量之间存在明显漂移，如果模型不随新数据更新，预测结果很可能失去可靠性。

研究团队进一步采用在线集成模型，将多个基于不同历史时间窗口训练的模型组合起来。有的模型更适合捕捉突发变化，有的模型用于识别较缓慢的渐进变化，还有模型覆盖两者之间的时间尺度。系统还会为每次预测生成不确定性估计，并在合并结果时赋予误差范围更窄、置信度更高的模型更大权重。

测试结果显示，与传统静态机器学习模型相比，在线学习方法可将预测误差降低80%;在此基础上，引入不确定性引导的集成方法后，误差相较单一在线模型进一步降低约10%。这些不确定性估计也可为DIII-D操作人员提供决策参考。

该研究由杰斐逊实验室与通用原子公司 (General Atomics)、休斯顿大学 (University of Houston) 和太平洋西北国家实验室 (Pacific Northwest National Laboratory) 合作完成。DIII-D是美国能源部科学办公室用户设施，由通用原子公司托管，并获得美国能源部聚变能源科学办公室支持。

拉杰普特表示，下一步计划利用多年历史数据继续测试该系统，以捕捉更少见的事件，并改进不确定性量化能力。研究团队还希望更清晰地展示模型如何随装置状态变化而演化，从而提高人工智能工具在聚变诊断中的可解释性。

目前，该框架已具备在DIII-D装置上部署的条件，并可根据需要调整，用于其他聚变装置。研究人员认为，将自适应学习、不确定性评估和实验运行时间约束结合起来，有助于推动人工智能从事后分析工具走向聚变实验现场的实时辅助决策。