麻省理工学院研究团队运用科学机器学习技术，将物理定律与实验数据进行智能融合。他们开发出一种神经状态空间模型，仅需少量数据便能预测托卡马克装置中配置变量（TCV）衰减过程中的等离子体动力学行为，以及可能出现的失稳现象。

若直接提及"托卡马克装置"，你可能会感到陌生。但换个角度介绍：托卡马克作为通往理想能源——核聚变的重要技术载体，或许会让你产生"原来如此"的领悟。不过需要说明的是，这里所说的"核能"并非核电站的裂变反应，而是指能量更高、更清洁安全、几乎不产生放射性废料的核聚变技术。

核聚变模拟的是太阳内部的能量产生机制，通过让轻原子核（如氘和氚）在极端高温下聚合释放能量。为此，科研人员需要在地球上"再造一个太阳"。托卡马克装置通过在环形真空腔体中，约束比太阳核心温度更高的等离子体，并施加强磁场进行控制，从而维持聚变反应的稳定运行。

然而理想很丰满，现实却极为"敏感"。对托卡马克而言，放电末期的电流衰减是高风险阶段。此时装置面临的是每秒流速高达100公里、温度超过1亿摄氏度的等离子体流，且此时的等离子体处于强烈瞬变状态，任何细微的控制偏差都可能引发破坏性扰动，对装置造成损伤。

在此背景下，麻省理工学院领衔的研究团队运用科学机器学习（SciML）方法，实现了物理规律与实验数据的智能融合。团队开发的神经状态空间模型（NSSM）仅需少量观测数据，就能准确预测托卡马克配置变量（TCV）衰减过程中的等离子体动力学演化，以及可能出现的失稳情况，为安全控制"人造太阳"的启停操作提供了可靠支持。

相关研究以《利用预测优先实验在TCV装置学习等离子体动力学与鲁棒衰减轨迹》为题，发表于《自然·通讯》期刊。

研究亮点：

* 提出了融合物理约束与数据驱动的神经状态空间模型（NSSM），在托卡马克放电衰减阶段实现了高精度的动态预测与快速并行仿真；

* 在TCV实验中完成了"预测先行"外推验证，"先预测、后实验"的闭环方法实现了真正的数据驱动控制验证。

论文地址：https://www.nature.com/articles/s41467-025-63917-x

更多AI前沿论文：https://hyper.ai/papers

小样本数据的高效学习

研究团队用于模型训练的数据集，收录了TCV装置442次最新放电实验记录。其中311次用于训练（仅5次属于高性能区间），131次用于验证。这样规模的数据集是否让你感受到"迷你"程度？

仅凭这些有限数据，模型就学会了预测复杂的等离子体动态行为，并能在单张A100 GPU上每秒并行模拟上万条衰减轨迹，充分展现了其强大的学习与预测能力。

模型验证指标

以物理为骨、神经为魂的"神经状态空间模型"

研究核心在于构建能够精准预测等离子体在停机阶段复杂动态的模型。为此，研究团队设计了一个融合物理与数据的"神经状态空间模型"。该模型的骨架是零维物理方程，主要描述了等离子体的能量平衡和粒子平衡。但部分关键参数（如约束时间、辐射损失等）难以用第一性原理精确建模，因此团队在这些核心部位嵌入"神经网络"，让模型能够从实验数据中学习这些难以模拟的物理效应。如同拥有标准车辆底盘的自驾汽车，其"驾驶经验"是通过真实路况数据训练而来的。

具体而言，模型以一系列可控的"动作"为输入，如等离子体电流的变化率、中性束注入功率等。通过求解这个由"物理方程+神经网络"构成的混合微分方程组，模型能够一步步推演未来状态。

核心方程

神经状态空间模型（NSSM）的训练过程，遵循高效且自动化的流程。模型由动力学函数fθ和观测函数Oθ定义，进行前向模拟生成预测数据，并与实验观测值对比计算损失。借助diffrax和JAX的自动微分伴随方法，从而优化模型参数。

NSSM训练方法描述

富有启发性的实验验证环节

在所有实验中，最具启发意义的两项成果分别来自对"控制误差敏感性"的鲁棒性验证与"预测先行"外推测试。前者揭示了衰减阶段的一个脆弱点——当高中性束间隙出现微小偏移时，垂直不稳定性增长率可能出现数量级放大，从而触发垂直位移事件（VDE）。

在一次编号为#81751的放电中，这一现象导致了等离子体的突然偏移与终止。研究团队据此在强化学习（RL）环境中引入间隙误差的不确定性分布，使轨迹在训练中主动适应不确定性。结果表明，经过重新优化的轨迹（#82875）在相似误差条件下依旧保持稳定。这一改进展示了模型从真实误差中学习鲁棒性的能力，也印证了数据驱动优化在安全约束条件下可实际提升装置运行容错性。

实验结果验证鲁棒性提升

另一项被称为"预测先行（predict-first）"的外推实验，则验证了模型在未知参数区间下的泛化潜力。研究人员将电流上限从140 kA提升至170 kA，并在实验前完全依赖神经状态空间模型（NSSM）的预测结果生成轨迹。实验结果显示，模型对关键物理量的预测与实测高度一致，放电成功终止且未出现破裂。

外推测试场景的先验预测和实验结果

推进"理想能源"走向现实之旅

据了解，研究团队正与联邦聚变系统公司（CFS）开展合作，共同研究如何利用新的预测模型和类似工具，更好地预测等离子体行为以避免机器中断情况，实现安全的聚变发电。团队成员Allen Wang表示："我们正致力于攻克科学难题，以实现核聚变的常规应用。虽然现在所做的只是一段漫长旅程的开始，但我认为我们已经取得了一些不错的进展。"

除此之外，在这一跨学科交叉领域，也涌现出许多新颖的研究。由美国普林斯顿等离子体物理实验室（PPPL）联合多所高校提出的Diag2Diag模型，通过学习多源诊断信号之间的关联关系，能够在部分传感器失效或观测受限时虚拟重建等离子体关键参数，显著提升聚变装置的监测与预警能力。相关研究以《Diag2Diag：聚变等离子体的人工智能虚拟诊断技术》为题，发表于arXiv平台。论文地址：https://arxiv.org/abs/2405.05908v2

此外，发表于arXiv平台，以《FusionMAE：基于大规模预训练模型优化简化聚变等离子体诊断与控制》为题的研究，提出了面向聚变控制系统的大规模自监督预训练模型FusionMAE。该模型将80余个诊断信号整合至统一嵌入空间，通过掩码自编码器（MAE）结构学习不同通道间的潜在关联，实现诊断与控制数据流的高效对齐，开创了聚变能源领域大规模人工智能模型的集成应用。论文地址：https://arxiv.org/abs/2509.12945

毫无疑问，在推进"最理想能源——核聚变能"走向现实的征程上，人工智能正成为不可或缺的力量。

参考资料：

1.https://news.mit.edu/2025/new-prediction-model-could-improve-reliability-fusion-power-plants-1007