研究人員現正將機器學習演算法直接部署到托卡馬克反應爐的控制系統中，以防止電漿突然崩潰。這些崩潰，被稱為撕裂模態，會重新配置磁場線，並破壞穩定運作所需的對稱性。此發展標誌著從被動安全措施轉向預測性、自動化穩定超高溫電漿，這是核融合能源所必需的。托卡馬克是一種環形裝置，利用磁場來約束電漿。在這種環境中，撕裂模態會在特定位置（稱為理性表面）形成。「撕裂模態（TMs）——緩慢增長的電阻磁流體動力學（MHD）電漿擾動，具有諧振模態結構——是威脅托卡馬克發電廠可行性的主要不穩定性之一，」研究人員在新研究中表
示。這些模態的形成是由穩定和不穩定效應的複雜平衡驅動的。當此平衡喪失時，電漿內會生長一個磁泡。此生長會減緩電漿柱的旋轉，並最終導致電漿撞擊反應爐壁，終止融合過程。在未緩解狀態下，此磁泡像蝸牛般增長，磨損系統並使電漿分散。
即時控制解決方案
傳統物理模型難以管理這些事件，因為其底層機制是非線性和混沌的。旋轉電漿某一部分的小型快速不穩定性，可能觸發其他位置的撕裂模態。為應對此，研究人員Cristina Rea 和 Stuart Benjamin 使用機器學習處理先前托卡馬克運作的大量實驗數據，以識別這些不穩定性的前兆。這些演算法能在標準診斷工具察覺之前，偵測顯示即將發生撕裂模態的模式。這些基於 AI 的預測器現正用於開發主動電漿控制器。
這些控制器接收反應爐的即時數據，並利用機器學習判斷電漿在任何時刻的穩定性。若系統偵測到撕裂起始風險，控制器會自動調整磁場配置，以抑制模態或避免引發其的條件。此能力對國際托卡馬克物理活動至關重要，後者正為 ITER 專案的破壞緩解系統設計觸發器。 隨著融合實驗朝更高電漿壓力推進，對這些 AI 控制器的需求增加。雖然更高壓力對高效能源生產必要，但也增加撕裂模態的頻率和嚴重性。
透過將機器學習整合到托卡馬克的運作核心，工程師能維持連續發電所需的穩定性。「TMs 對物理模型而言仍極難預測，但其隨機複雜性吸引了 ML 賦能的科學家，」Benjamin 總結道。「這就是我們想解釋近期研究如何將 AI 應用於大型實驗托卡馬克數據集，提供對 TM 物理和控制機制的全新洞見，我們必須完善這些，以確保 TMs 不會危害未來托卡馬克發電廠。」這些控制器實質上充當自動導向系統，將電漿維持在持續融合反應所需的狹窄參數內。
