将 AI 应用于下一代聚变能源

# 将人工智能引入下一代聚变能源 来源：https://deepmind.google/blog/bringing-ai-to-the-next-generation-of-fusion-energy/ 我们正与 Commonwealth Fusion Systems（CFS）合作，将清洁、安全、无限的聚变能源变为现实。 聚变是为太阳提供动力的过程，承诺提供清洁、丰富的能源，而无需长期放射性废物。要在地球上实现这一目标，意味着在聚变能源机器的限制范围内，在超过 1 亿摄氏度的温度下保持电离气体（称为等离子体）的稳定性。这是一个极其复杂的物理问题，我们正在利用人工智能（AI）来解决它。 今天，我们宣布与全球聚变能源领导者 Commonwealth Fusion Systems（https://cfs.energy/）的研究合作。CFS 正在开创一条更快的清洁、安全且几乎无限的聚变能源之路，其采用了一种名为 SPARC（https://cfs.energy/technology/sparc）的紧凑而强大的托卡马克机器。 SPARC 采用功能强大的高温超导磁体，目标是成为历史上第一台能够产生净聚变能的磁聚变机器——从聚变获得的功率超过维持它所需的功率。这一具有里程碑意义的成就被称为突破"平衡点"，是走向可行聚变能源的关键里程碑。 这一合作基于我们之前使用人工智能成功控制等离子体（https://deepmind.google/discover/blog/accelerating-fusion-science-through-learned-plasma-control/）的开创性工作。与瑞士洛桑联邦理工学院（EPFL）瑞士等离子体中心（https://www.epfl.ch/research/domains/swiss-plasma-center/）的学术合作伙伴一起，我们证明了深度强化学习可以控制托卡马克的磁体以稳定复杂的等离子体形状。为了涵盖更广泛的物理范围，我们开发了 TORAX（https://torax.readthedocs.io/），这是一个用 JAX 编写的快速且可微分的等离子体模拟器。 现在，我们正在将这项工作引入 CFS 以加快向电网交付聚变能源的时间表。迄今为止，我们一直在以下三个关键领域进行合作： - 生成快速、准确、可微分的聚变等离子体模拟。 - 找到最高效和最稳健的聚变能源最大化路径。 - 使用强化学习发现新颖的实时控制策略。 我们的人工智能专业知识与 CFS 的尖端硬件相结合，使这成为推进聚变能源基础发现的理想合作伙伴，造福全球研究社区，以及最终造福全世界。 ## 模拟聚变等离子体 要优化托卡马克的性能，我们需要模拟热量、电流和物质如何流经等离子体核心并与周围系统相互作用。去年，我们发布了 TORAX，这是一个为优化和控制而构建的开源等离子体模拟器，扩大了我们可以解决的物理问题的范围，超越了磁性模拟。TORAX 以 JAX 构建，因此可以轻松在 CPU 和 GPU 上运行，并能顺利整合由人工智能驱动的模型，包括我们自己的（https://github.com/google-deepmind/fusion_surrogates/），以实现更好的性能。 TORAX 将帮助 CFS 团队通过在 SPARC 启动前运行数百万次虚拟实验来测试和完善他们的运营计划。它还使他们能够在首批数据到达后快速调整计划的灵活性。 该软件已成为 CFS 日常工作流程中的关键部分，帮助他们了解在不同条件下等离子体的行为表现，节省了宝贵的时间和资源。 > TORAX 是一个专业的开源等离子体模拟器，为我们节省了无数小时的 SPARC 模拟环境设置和运行时间。 Devon Battaglia CFS 物理运营高级经理 ## 找到通往最大能源的最快路径 运行托卡马克涉及如何调整各种"旋钮"的无数选择，如磁线圈电流、燃料注入和加热功率。手动寻找托卡马克的最优设置以产生最多能源，同时保持在运行限制内，可能效率很低。 通过结合使用 TORAX 和强化学习或进化搜索方法（如 AlphaEvolve（https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/）），我们的人工智能代理可以在模拟中探索大量潜在的运营场景，快速识别最高效和最稳健的净能源生成路径。这可以帮助 CFS 专注于最有希望的策略，甚至在 SPARC 完全投入使用和满功率运行前，从第一天起就提高成功概率。 我们一直在构建基础设施来调查各种 SPARC 场景。我们可以在不同约束条件下研究聚变功率的最大化，或在我们进一步了解机器时优化稳健性。 这里我们举例说明了在 TORAX 中模拟的标准 SPARC 脉冲。我们的人工智能系统可以评估许多可能的脉冲，找到我们预期表现最好的设置。 SPARC-cross-section 通过 SPARC 的横截面的可视化。左：紫红色的等离子体。右：在 TORAX 中模拟的示例等离子体脉冲，显示等离子体压力的变化。最右：我们展示了调整控制命令会改变等离子体性能，导致不同的等离子体脉冲。 通过我们在聚变研究社区内不断增长的合作网络，我们将能够根据过往托卡马克数据和高保真模拟来验证和校准 TORAX。这些信息将提供对模拟准确性的信心，并帮助我们在 SPARC 开始运行时灵活适应。 ## 开发用于实时控制的人工智能试点 在我们之前的工作（https://deepmind.google/discover/blog/accelerating-fusion-science-through-learned-plasma-control/）中，我们证明了强化学习可以控制托卡马克的磁配置。我们现在通过添加托卡马克性能更多方面的同步优化（如最大化聚变功率或管理 SPARC 的热负荷）来增加复杂性，使其能够以高性能运行，同时具有更大的机器限制空间。 SPARC 满功率运行时，将释放集中在小面积上的巨大热量，必须小心管理以保护距离等离子体最近的固体材料。SPARC 可以使用的一个策略是沿着壁磁扫这种排气能量，如下所示。 fusion-energy-plasma-changes 左：SPARC 内部右侧所示的面向等离子体的材料位置。右：随着等离子体配置变化，能量沉积在面向等离子体的材料上的速率的三维动画（不代表 SPARC 上的实际脉冲）。图像使用 HEAT（https://github.com/plasmapotential/HEAT）渲染，由 CFS 的 Tom Looby 提供。 在我们合作的初期阶段，我们正在调查强化学习代理如何学习动态控制等离子体以有效分配这些热量。在未来，人工智能可能会学习比工程师设计的任何东西都更复杂的自适应策略，尤其是在平衡多个约束和目标时。我们也可以使用强化学习来快速调整针对特定脉冲的传统控制算法。脉冲优化和最优控制的结合可以推动 SPARC 更进一步、更快地实现其历史性目标。 ## 联合人工智能和聚变来构建更清洁的未来 除了我们的研究外，Google 已投资于 CFS（https://blog.google/outreach-initiatives/sustainability/our-latest-bet-on-a-fusion-powered-future/），支持他们在有前景的科学和工程突破方面的工作，并推进他们的技术走向商业化。 展望未来，我们的愿景超越了优化 SPARC 运营。我们正在为人工智能成为未来聚变发电厂核心的智能、自适应系统奠定基础。这只是我们共同旅程的开始，随着我们达到新的里程碑，我们希望分享有关我们合作的更多详细信息。 通过结合人工智能和聚变的革命性潜力，我们正在构建一个更清洁、更可持续的能源未来。 **了解更多关于我们的工作** **致谢** 这项工作是 Google DeepMind 和 Commonwealth Fusion Systems 之间的合作。 Google DeepMind 贡献者：David Pfau、Sarah Bechtle、Sebastian Bodenstein、Jonathan Citrin、Ian Davies、Bart De Vylder、Craig Donner、Tom Eccles、Federico Felici、Anushan Fernando、Ian Goodfellow、Philippe Hamel、Andrea Huber、Tyler Jackson、Amy Nommeots-Nomm、Tamara Norman、Uchechi Okereke、Francesca Pietra、Akhil Raju 和 Brendan Tracey。 Commonwealth Fusion Systems 贡献者：Devon Battaglia、Tom Body、Dan Boyer、Alex Creely、Jaydeep Deshpande、Christoph Hasse、Peter Kaloyannis、Wil Koch、Tom Looby、Matthew Reinke、Josh Sulkin、Anna Teplukhina、Misha Veldhoen、Josiah Wai 和 Chris Woodall。 我们还要感谢 Pushmeet Kohli 和 Bob Mumgaard 的支持。 *致谢：SPARC 设施图像、SPARC 渲染图和分流器瓷砖的 CAD 渲染均为 2025 Commonwealth Fusion Systems 的版权。* ### 通过学习的等离子体控制加速聚变科学