在未来的大型聚变装置(如ITER)中，等离子体大破裂因其瞬间释放的巨大热能和磁能，被视为对装置安全运行的最大潜在威胁。因此，建立可靠的破裂缓解系统(DMS)至关重要，而这一切的前提是能对大破裂(“锁模”现象是导致大破裂最主要的诱因之一)进行精准、及时的预测。除了避免灾难性的破裂，实现对等离子体运行状态的精确、智能识别与控制，是未来聚变堆实现高性能稳态运行的另一核心问题。高约束模(H-mode)是ITER的标准运行模式，但其伴生的边界局域模(ELM)可能对偏滤器靶板造成过高热负荷，对其自动及时识别是未来聚变堆走向智能控制的重要一步。
课题组在锁模破裂预测研究中，采用了“前置可解释性”(ante-hoc)机器学习方法。该方法利用决策树(Decision Tree)模型内在的透明性，不仅要“知其然”，更要“知其所以然”。团队开发的“可解释性预测模型”，在测试集上的受试者工作特征曲线下面积(AUC)高达0.997，并成功揭示了导致锁模破裂的关键物理量。在此基础上，为满足真实实验需求，团队进一步开发了“实时预测模型”，实现了94%的成功预警率和平均137毫秒的预警时间，足以满足ITER对破裂预警的需求。这一研究不仅能够为EAST提供可靠的破裂预警，更通过可解释性分析，为深入理解破裂物理过程提供参考。
在另一项关于等离子体约束状态自动识别的研究中，课题组创新性地采用了多任务学习神经网络(MTL-NN)。该方法巧妙地将运行模式识别(判断处于L-mode或H-mode)和边界局域模(ELM)探测两个紧密关联的物理任务融合到一个模型中进行协同学习。通过共享网络层，模型能够实现任务间的相互纠错，显著提升了模型的准确性和鲁棒性。为降低信号噪声干扰，模型以物理定标率中的标量参数作为输入特征。实验结果表明，该多任务学习模型的识别准确率高达96.7%，相比同一数据库下的单任务模型提升了3.6%。这一成果为托卡马克等离子体运行状态提供了一种高效、精准的实时“诊断仪”，是发展先进等离子体反馈控制系统、实现高性能稳态运行的关键一步。
以上工作得益于EAST大科学装置团队成员间的共同协作。这些研究成果展示了人工智能在解决核聚变关键问题上的巨大潜力：不仅对EAST装置未来的高效运行具有直接的应用价值，也为ITER的智能控制和稳定运行提供了重要的科学参考和技术储备。目前课题组正在深入开展多种物理过程的人工智能集成控制。相关研究受到国家磁约束核聚变能发展研究专项、国家自然科学基金、中国科学院先导B、安徽省自然科学基金、合肥物质科学研究院院长基金等项目的资助。
图1.一次放电实验中的锁模破裂预测及模型预警的决策路径
图2.锁模破裂模型各特征的重要性排序
图3. 用于等离子体约束状态自动识别的多任务学习神经网络结构图
