普林斯顿PACMAN AI框架通过五次聚变实验验证 控制周期仅20毫秒

9月7日消息，普林斯顿大学等离子体物理项目与普林斯顿等离子体物理实验室（PPPL）团队开发的机器学习控制框架PACMAN（Prediction And Control using MAchiNe learning）在真实聚变装置上通过了五次实验验证，其设计与首批结果发表于《Nuclear Fusion》杂志。

托卡马克中的等离子体温度、密度与稳定性需要持续实时调控，而传统模拟程序运行一次需数天至数月，远不能满足分钟级放电实验的实时控制需求。PACMAN的核心创新在于把多个机器学习模型组织成可互相通信的一体化系统：框架以"流水线"方式工作——先采集托卡马克温度、密度、磁场信号等全部实时测量值，校验打包后交给各AI模型预测等离子体当前与未来状态，再由控制器据此执行调节。整个控制环典型运行周期仅20毫秒，且连续循环执行，速度远超人类操作员秒级的反应能力。

在美国能源部DIII-D国家聚变设施（圣迭戈）的五次实验中，PACMAN实现了多项突破：其中一项实验里，机器学习模型提前约200毫秒预测到撕裂模不稳定性，使装置得以提前调整等离子体避免其发生——传统控制器只能在撕裂模出现后才检测并压制，往往伴随显著性能损失；框架还同时操控DIII-D全部六台回旋管（微波加热系统），实时重定向微波束镜面并调节功率，实现研究者预设的复杂目标。

论文共同第一作者为普林斯顿等离子体物理项目博士生Hiro Farre Kaga与普林斯顿机械与航空航天工程系博士生Andy Rothstein。该成果标志着聚变控制从单模型实验走向工程化AI控制栈，对磁约束聚变装置（包括商业化聚变公司设计的紧凑托卡马克）的运行稳定性与Q值提升具有直接应用价值；等离子体调控所需的高频传感与执行链路，也为极端环境下的实时化工过程AI控制提供了方法参照。 （来源：AZoM）