研究核心与方法论 - 麻省理工学院牵头的研究团队开发了一种神经状态空间模型，该模型结合物理定律与实验数据，能预测托卡马克装置在电流缓降过程中的等离子体动力学和不稳定情况[1][2] - 模型骨架为零维物理方程，描述等离子体能量和粒子平衡，并在难以精确建模的关键参量处嵌入神经网络，使其能从数据中学习[5] - 模型训练遵循高效自动化流程，通过前向模拟生成预测数据并与实验值对比计算损失，利用diffrax和JAX的自动微分伴随方法优化参数[6] 模型性能与验证 - 模型仅使用TCV装置442次放电实验记录中的311次进行训练（其中仅5次属于高性能区间），即实现了对复杂等离子体动态的预测，并在单块A100 GPU上每秒并行模拟上万条下降轨迹[3] - 在“预测先行”外推测试中，模型在电流上限从140 kA提高至170 kA的未知参数区间下，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[10] - 在控制误差敏感性验证中，模型揭示了高场侧间隙微小偏差可能导致垂直不稳定增长率数量级放大，经强化学习环境训练后，优化后的轨迹在相似误差条件下保持稳定[8] 行业应用与发展 - 该研究正与联邦聚变系统公司合作，旨在利用预测模型更好地预测等离子体行为以避免机器中断，实现安全的聚变发电[14] - 行业内其他研究包括普林斯顿等离子体物理实验室提出的Diag2Diag模型，可在部分传感器失效时虚拟重建等离子体关键参数[14] - 另有研究提出大规模自监督预训练模型FusionMAE，将80余个诊断信号整合至统一嵌入空间，实现诊断与控制数据流的高效对齐[14]