人工智能在等离子体控制和运行上的应用研究

In the study of the control and operation of tokamak plasma, there are some problems that can not be real-time executed because of the computational complexity and the characteristics complexity and rely heavily on experience. Artificial intelligence provides a solution to these problems. In recent years, with the continuous improvement of computing power and advances in information technology, artificial intelligence has gradually evolved into the stage of deep learning and machine learning driven by big data. The practical value it exhibits is rapidly infiltrating into various fields and has been elevated to a strategic height by our government. Based on all historical data on the HL-2A close to 60TB, using big data combined with machine learning & deep learning and other artificial intelligence technologies, this project will select three typical problems in real-time control and operation to study : real-time calculation of plasma density and temperature profiles, real-time prediction of plasma disruption, and the pre-supplied gas parameters need to be adjusted every shot, which are corresponding to three types of problems: complex single diagnosis, complex comprehensive multiple diagnosis, and operational experience modeling. With the implementation of this project, plasma real-time control quality and operational automation level will be improved and the framework for similar problems in plasma control and operation will be provided.

在对托卡马克等离子体的控制和运行的研究中，存在一些计算复杂无法实时化、特征复杂无法用数值方法进行精确描述以及严重依赖于经验的问题，人工智能为解决这些问题提供了方案。随计算能力不断提高和信息技术的进步，在最近几年，人工智能也逐渐发展到由大数据驱动的机器学习和深度学习的阶段，其表现出的实用价值正快速渗透到各个领域并且被国家提升到战略的高度。本项目将基于HL-2A上接近60TB的全部历史数据，利用大数据结合机器学习深度学习等人工智能技术，选取三个典型问题开展研究：密度温度剖面的实时计算、等离子体大破裂实时预测以及每次放电均需调整的预送气参数自动化运行，分别对应实时控制和运行中的复杂单项诊断，复杂综合多项诊断以及运行经验模型化三大类问题, 通过本项目的执行，将提高等离子体实时控制品质和运行的自动化水平，同时为实时控制和运行中类似的问题提供解决框架。

托卡马克的运行控制是磁约束核聚变领域的核心研究课题之一。装置的控制运行作为实验研究的基础，其技术水平直接影响着所产生等离子体的品质，进而影响着物理实验的效果乃至未来聚变能的经济性。而在托卡马克的运行控制中，存在着许多难以用传统控制手段解决的痛点问题，例如在等离子体大破裂控制中，散裂弹丸注入等破裂缓解手段必须由一个在破裂发生前一定时间发出的脉冲信号触发，才能得到较好的的控制效果，但由于破裂的先兆阶段实验特征缺乏一致性与规律性，这样的预警系统很难开发。而近些年快速发展的人工智能技术为这些痛点问题的解决提供了可能性。因此，本项目致力于向托卡马克运行控制任务引入人工智能手段，解决复杂物理现象观测、诊断数据实时分析等一系列传统控制的痛点难点问题。.项目的研究内容分为三部分，首先，项目组基于深度学习方法在HL-2A托卡马克装置上开发了一款破裂预警算法，该算法能够以96.1%的正确率实现破裂的预警，能初步分析引发破裂的可能原因，并已嵌入HL-2A实时控制系统进行了实验验证，可用于大量气体注入、超声分子束注入等破裂缓解手段的触发。第二，项目组开发了多种等离子体不稳定性的实时识别算法，例如边缘局域模、鱼骨模、撕裂模、锯齿不稳定性等，正确率均已达到90%以上，这些算法可以为实验中的不稳定性反馈控制提供测量手段，其中边缘局域模已经实现了实时测量与抑制的实验验证。第三，项目组开发了依据等离子体当前状态与控制计划，预估一段时间后的等离子体参数演化的深度学习算法，为等离子体的建模分析与演化预测提供了一种不同于传统仿真模拟的新手段。.本项目的各项研究成果证明了人工智能在解决托卡马克控制运行痛点问题上的重大潜力。这一研究方向非常值得后续的跟进与深入研究。