Real-time virtual circuits for plasma shape control via neural network emulators: experimental demonstration on MAST Upgrade
本文报告了在 MAST Upgrade 上首次实验演示了用于等离子体形状控制的实时虚拟电路，该电路利用神经网络模拟器在线动态更新控制参数，从而以自动化的、与场景无关的工作流取代了传统的离线预设方案。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在聚变实验的核心内部，一团被称为等离子体的超热气体必须被固定在一个精确且无形的笼子中。这个笼子并非由金属制成，而是由围绕容器的巨大线圈所产生的强大磁场构成的。如果等离子体稍微偏离其预定形状，它就可能触碰到器壁，导致瞬间冷却并毁掉整个实验。保持这种形状稳定是精密控制系统的任务，该系统就像一只持续不断的、无形的手，每秒钟调整磁性线圈数千次，以抵消等离子体自然存在的摆动或拉伸倾向。几十年来，科学家们一直通过使用预先计算好的地图来完成这项任务。在机器启动前，专家们会根据等离子体可能采取的几种特定理想形状，设计出一套调整方案。在实验过程中，计算机只需查找方案中的下一步并执行即可。当等离子体的表现完全符合预期时，这种方法效果很好；但如果等离子体突然发生意料之外的变化，旧的地图就不再适用，控制系统就会难以应对。
英国 MAST Upgrade 设施的一组研究人员现在展示了一种处理这一挑战的新方法。他们不再依赖于实验前很久就准备好的固定方案，而是教会了计算机在等离子体实际运动时进行实时计算。他们使用了一种被称为神经网络的人工智能，它充当了等离子体的快速“数字孪生体”。这个数字孪生体会根据大量的理论形状，学习等离子体对磁性线圈变化的反应。在实验期间，系统将等离子体的当前状态输入到这个数字孪生体中，后者会立即预测形状会对线圈的微调做出何种反应。随后，计算机利用这一预测生成一组全新的指令给磁性线圈，从而有效地每隔几毫秒就更新一次控制图。这种方法允许机器根据等离子体的演变过程来适应其行为，而不是试图强迫等离子体遵循一条僵化的、预先写好的路径。
研究人员在 MAST Upgrade 托卡马克装置上测试了这种新方法，这是一种旨在研究聚变能的大型甜甜圈形机器。他们进行了一系列难度递增的实验，从简单的、稳定的等离子体形状开始，逐步过渡到复杂的、快速变化的配置。在初步测试中，系统成功维持了标准的等离子体形状，证明了这种实时新方法可以在不引起不稳定的情况下，与现有的控制硬件协同工作。随后，团队引入了刻意的、摇摆不定的形状变化，要求系统移动等离子体的核心以及等离子体与容器壁接触的点。实时系统以高精度追踪了这些运动，通过调整磁性线圈来平滑地跟随新的目标。这表明人工智能可以处理动态指令，而不仅仅是静态指令。
最严苛的测试涉及将等离子体推向一种在该机器上极难控制的高度拉伸形状。在一次实验中，系统引导等离子体经历了一个向更细长形态的转变，同时将接触点沿器壁扫过。实时控制器在整个演变过程中都保持了等离子体的稳定，而由于等离子体的行为在转变期间会发生剧烈变化，利用固定的方案来规划这项任务将极其困难。在最后一次探索性测试中，研究人员要求系统同时控制等离子体形状的七个不同方面。虽然系统保持了等离子体的受控状态，但研究人员观察到，调整变得不再那么平滑，并且需要对磁性线圈进行更大的改动。这表明当同时控制过多的变量时，背后的数学运算可能会变得不稳定，这是该团队计划在未来工作中解决的一个已知挑战。
这些实验结果证实，用一个能够即时学习和适应的系统来取代旧的预设方案是可行的。研究人员发现，他们可以使用同一个经过训练的人工智能模型来应对所有这些不同的场景，而无需为每个特定实验重新进行训练。这预示着未来聚变实验的准备工作可能会变得更加简单，因为科学家们将不再需要为每种新型等离子体形状花费数周时间去手动设计控制方案。虽然该系统尚未完美，仍需进一步改进以处理最复杂的情况，但成功的测试证明了其核心理念是行得通的。通过赋予控制系统观察等离子体即时反应并进行瞬时调整的能力，研究人员在使聚变实验更加稳健且易于运行方面迈出了重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。