美国PACMAN人工智能框架实现聚变等离子体毫秒级控制

美国能源部普林斯顿等离子体物理实验室 (PPPL) 与普林斯顿大学 (Princeton University) 研究人员开发的PACMAN人工智能框架，已在真实聚变实验系统中完成五项实验验证。该框架可在约20毫秒内完成数据处理、状态预测和控制指令输出，用于应对聚变等离子体中快速发展的不稳定性。

这是艺术家对PACMAN融合系统人工智能框架的诠释。(插图来源：Kyle Palmer / PPPL通信部)

PACMAN全称为“基于机器学习的预测与控制”。相关设计和初步实验结果已发表于《核聚变》期刊。研究团队表示，托卡马克装置中的等离子体温度、密度和稳定性需要持续调节，加热系统、磁体和气体注入等参数都可能影响放电状态。部分等离子体扰动可在毫秒级时间内增长，传统人工操作难以及时响应。

该框架的核心是将多个机器学习模型和控制器接入同一控制回路。系统首先采集托卡马克的实时测量数据，包括温度、密度和磁信号;随后检查数据误差并完成整理;机器学习模型据此预测等离子体当前状态或即将出现的变化;控制器再计算加热束调节等操作指令;最后由输出环节协调不同控制器之间的指令冲突，执行硬件安全限制，并将控制指令发送至装置。

研究团队在美国DIII-D国家聚变设施 (DIII-D National Fusion Facility) 的托卡马克装置上完成了五项实验。实验中，PACMAN实现了由强化学习训练的人工智能模型对加热系统的控制，预测了等离子体边缘能量突发，探测并调控了由高速粒子驱动的等离子体波，还对等离子体密度和旋转状态进行了调节，使其接近预设目标。

在一项实验中，机器学习模型提前约200毫秒预测到撕裂模不稳定性，使系统能够在不稳定性形成前调整等离子体状态。研究人员称，传统控制器通常只能在撕裂模出现后进行抑制，可能导致等离子体性能明显下降。PACMAN还同时调控了DIII-D装置的六个回旋管，通过实时调整回旋管镜面方向和功率，完成预设控制目标。

研究人员强调，PACMAN并不意味着由人工智能完全取代人类操作。该框架内置硬件和运行安全限制，人工智能模型提出的控制建议仍需在既定边界内执行;每次实验后，物理学家还会审查数据，并据此调整下一轮实验的控制参数。

由于PACMAN采用模块化架构，新的机器学习模型和控制器可在不影响其他模块的情况下接入系统。研究团队认为，这一方式有望从DIII-D扩展到不同尺寸、不同构型和不同诊断配置的托卡马克装置，为后续聚变等离子体控制研究提供可复用的软件基础。