一种新型人工智能能够“洞察”到聚变传感器所遗漏的信息，有助于稳定等离子体并提高反应堆效率。这一突破性进展或将推动聚变能源向成为可靠能源的方向更进一步。
试想，你正沉浸于最爱的影片之中，却突遭音频中断。声音数据消失无踪，唯余荧幕上跃动的画面。此刻，设想人工智能（AI）介入其中，逐帧研析画面，解读唇语，追踪脚步，即刻复原那缺失的声响。
同样的理念正推动着一款新型人工智能工具的研发，该工具旨在复原关于等离子体（驱动核聚变的过热燃料）的遗失信息。这一名为“Diag2Diag”的系统，最近由普林斯顿大学主要作者阿扎拉克什·贾拉万德（Azarakhsh Jalalvand）在《自然·通讯》杂志上进行了详细介绍。
贾拉万德（Jalalvand）解释道：“我们已找到一种方法，能够从系统内的一组传感器中提取数据，并为该系统中的另一种传感器生成数据的合成版本。”重建后的数据与实际测量结果相符，但往往包含比传感器单独捕捉到的更为丰富的细节。这种增加的深度有望使等离子体控制更为可靠，同时降低未来聚变系统的复杂性和成本。
“Diag2Diag 还可应用于其他系统，如航天器和机器人手术领域，它能够增强细节表现，从故障或性能退化的传感器中恢复数据，确保在关键环境中的可靠性。”
该项目汇聚了普林斯顿大学、美国能源部（DOE）下属的普林斯顿等离子体物理实验室（PPPL）、中央大学、哥伦比亚大学以及首尔国立大学的研究人员。该人工智能系统利用来自美国能源部用户设施——DIII-D国家聚变装置实验中的传感器数据进行训练与测试。
通过生成合成数据，Diag2Diag为科学家观察和控制聚变装置内部的等离子体提供了新途径。这或许对未来使聚变成为可靠能源至关重要。正如贾拉万德所言：“如今的聚变装置均为实验性实验室设备，因此，若传感器出现故障，最糟糕的情况不过是我们在重启实验前损失一些时间。然而，若我们将聚变视为一种能源，它就必须能够全天候不间断地运行。”
人工智能或可促成紧凑且经济的聚变系统
Diag2Diag这一名称源自“诊断”（diagnostic）一词，该词指的是用于分析等离子体的一种技术，其中包含测量等离子体的传感器。诊断系统会定期进行测量，测量间隔往往短至零点几秒。然而，有些系统的测量频率不足以检测到等离子体中那些变化极快的不稳定性——即等离子体中的突变，这些突变会使得稳定发电变得困难。
在聚变系统中，有许多用于测量等离子体不同特性的诊断手段。例如，汤姆逊散射便是一种应用于环形聚变装置（名为托卡马克）的诊断技术。汤姆逊散射诊断能够测量带负电的粒子——即电子的温度，以及密度（即单位空间内所容纳的电子数量）。该诊断技术测量迅速，但速度尚不足以提供等离子体物理学家维持等离子体稳定并使其达到最佳性能所需的详细数据。
“Diag2Diag 无需投入硬件成本，便可为诊断工作提供助力，”该研究的主要研究者埃格门·科勒门（Egemen Kolemen）说道。他同时受聘于普林斯顿等离子体物理实验室（PPPL）、普林斯顿大学安德林格能源与环境中心以及机械与航空航天工程系。
为何等离子边缘至关重要
这对汤姆逊散射而言尤为重要，因为其他诊断手段无法在等离子体边缘（亦称“边界区”）进行测量。该区域是等离子体中需重点监测的部分，但测量难度极大。对边界区的细致监测有助于科学家提升等离子体性能，从而探索出从核聚变反应中高效获取能量的最优路径。
若要让聚变能成为美国电力系统的核心组成部分，其必须兼具经济性与可靠性。参与“Diag2Diag”研究团队的普林斯顿等离子体物理实验室（PPPL）科研人员金相均（SangKyeun Kim）表示，人工智能正推动美国朝着这些目标迈进。“当今实验用的托卡马克装置配备了大量诊断设备，但未来的商用系统可能需要大幅减少此类设备，”金相均说道，“这将有助于通过减少非直接参与能量产生的部件，使聚变反应堆更加紧凑。”诊断设备减少后，还能释放机器内部的宝贵空间，而系统简化也使其更加坚固可靠，降低了出错概率。此外，这还能降低维护成本。
人工智能对等离子体不稳定性问题的洞察
研究团队还发现，人工智能数据为一项关于如何阻止等离子体破裂的方法如何发挥作用的领先理论提供了支持。全球的核聚变科学家都在致力于研究控制边界局域模（ELMs，即核聚变反应堆中强大的能量爆发，可能严重损害反应堆内壁）的方法。有一种颇具前景的阻止边界局域模的方法涉及应用共振磁扰动（RMPs），即对托卡马克装置内用于束缚等离子体的磁场进行微小改变。普林斯顿等离子体物理实验室（PPPL）在边界局域模抑制研究领域处于领先地位，近期发表了多篇关于利用人工智能和传统方法阻止这些棘手破裂现象的论文。有一种理论认为，共振磁扰动会在等离子体边缘形成“磁岛”。这些磁岛会使等离子体的温度和密度趋于平缓，即等离子体边缘的各项测量值更加均匀。
支持磁岛理论
普林斯顿等离子体物理实验室（PPPL）的首席研究科学家胡启明（也是该项目的研究人员）表示：“受限于汤姆逊诊断技术，我们通常无法观测到这种扁平化现象。而Diag2Diag技术则为我们提供了关于这一现象如何发生及演变的更多细节。”
尽管磁岛会引发边界局域模（ELMs），但越来越多的研究表明，通过运用共振磁扰动（RMPs）对磁岛进行精细调控，亦可提升等离子体的稳定性。Diag2Diag生成的数据为等离子体边缘区温度与密度同步扁平化这一现象提供了新证据，有力支撑了磁岛抑制边界局域模的理论。深入理解这一机制，对于商用聚变反应堆的研发至关重要。
将人工智能应用拓展至核聚变领域之外
科学家们已在着手制定计划，以拓展Diag2Diag的应用范围。科勒门指出，已有数位研究人员表示对试用该人工智能技术颇感兴趣。他表示：“Diag2Diag不仅可应用于其他聚变诊断领域，对于那些诊断数据缺失或有限的其它领域，也同样具有广泛的适用性。”
参考文献：阿扎拉克什·贾拉尔万德（Azarakhsh Jalalvand）、金相均（SangKyeun Kim）、徐在民（Jaemin Seo）、胡启明（Qiming Hu）、马克斯·居里（Max Curie）、彼得·施泰纳（Peter Steiner）、安德鲁·奥克利·尼尔森（Andrew Oakleigh Nelson）、那永洙（Yong-Su Na）与埃格门·科勒门（Egemen Kolemen）所著《多模态超分辨率：探索隐藏的物理规律及其在聚变等离子体中的应用》，发表于2025年9月26日《自然·通讯》（Nature Communications）。 DOI：10.1038/s41467-025-63492-1
本研究得到了美国能源部（DOE）的资助，资助编号分别为 DE-FC02-04ER54698、DE-SC0022270、DE-SC0022272、DE-SC0024527、DE-SC0020413、DE-SC0015480 和 DE-SC0024626；同时，还获得了韩国政府（科学技术信息通信部，MSIT）资助的韩国国家研究基金会（National Research Foundation of Korea）奖项 RS-2024-00346024 的支持。此外，作者还得到了普林斯顿人工智能实验室的资助，资助编号为 2025-97。
