AI预判等离子体「暴走」，MIT等基于机器学习实现小样本下的等离子体动力学高精度预测

麻省理工学院牵头的研究团队利用科学机器学习，将物理定律与实验数据智能融合。开发了一种神经状态空间模型，通过少量数据就能预测托 卡马克配置变量 (TCV) 缓降过程中的等离子体动力学，以及可能出现的不稳定情况。 然而理想很丰满，现实却极其「敏感」。对于托卡马克装置而言，放电末期的电流缓降，是一个「高危」阶段。其面临的是，每秒速度高达 100 公里、温 度超过 1 亿摄氏度的等离子体流，并且此时的等离子体处于强烈的瞬态变化中，任何微小的控制误差都可能触发破坏性扰动，对装置造成伤害。 在此背景下， 由麻省理工学院牵头的研究团队利用科学机器学习（SciML），将物理定律与实验数据智能融合。开发了一种神经状态空间模型 （NSSM），通过少量数据就能预测托卡马克配置变量（TCV）缓降过程中的等离子体动力学，以及可能出现的不稳定情况，为安全控制「人造太阳」的 停止又增添了一把助力。 相关研究以「Learning plasma dynamics and robust rampdown trajectories with predict-first experiments at TCV」为题，发表于 Nature Commun ...