近日，中国科学技术大学语音及语言信息处理国家工程研究中心、中国科学院等离子体物理研究所、合肥综合性国家科学中心能源研究院及科大讯飞研究院AI For Science联合团队，在AI赋能聚变等离子体领域提出最新研究成果PaMMA-Net模型，正式发表于核聚变领域顶级期刊《Nuclear Fusion》。

文章标题：《PaMMA-Net: plasmas magnetic measurement evolution based on data-driven incremental accumulative prediction》

论文地址：https://iopscience.iop.org/article/10.1088/1741-4326/ae0655

联合团队提出并验证了一种基于深度神经网络代理的等离子体磁测量演化模型——PaMMA-Net。该模型基于EAST（全超导托卡马克装置）长期放电实验数据训练，结合微变累计预测等多种领域相关方法，基于深度神经网络的演化模型在推理速度、演化精度、非线性强耦合适应性方面显著提升，弥补传统基于物理的演化模型的不足。这一研究成果为长期困扰聚变研究的快速高精度等离子体演化建模难题提供了新的解决思路，可显著加速可控核聚变控制研究的进展。

《Nuclear Fusion》是国际原子能机构（IAEA）主办的旗舰学术期刊，自1960年创刊以来一直是核聚变与等离子体物理领域的权威平台和公认的顶级期刊之一，不仅发表了许多奠基性成果，还长期引领着国际聚变研究的前沿方向。期刊聚焦于磁约束聚变和惯性约束聚变等方向，涵盖等离子体理论、实验、诊断、材料与工程等全链条研究，是核聚变科学家和工程师的重要学术交流窗口，更是推动聚变能走向可控应用的重要平台。

托卡马克聚变的背景与难点

核聚变被广泛认为是人类未来最理想的能源形式。与传统的化石能源相比，核聚变几乎不会产生温室气体排放，对环境友好；与核裂变相比，它不会产生放射性核废料，安全性更高。除此之外，核聚变的燃料主要来自海水中的氘和可在堆内自给的氚，储量丰富；更重要的是，聚变反应能量密度极高，一小杯海水中的氘蕴含的聚变能就能满足一个人一生的电力需求。

托卡马克装置则是目前实现可控核聚变最具前景的技术路线之一，已经形成了较为成熟的技术体系，并在约束时间、等离子体稳定性和能量增益等方面率先取得了突破。

全超导托卡马克装置（英文缩写EAST，又名“东方超环”），是我国自主设计、研制并成功运行的国际上首个全超导托卡马克装置。其实现了3.5特斯拉纵场强度、百万安培等离子体电流、千秒持续、亿度高温的主要技术指标，是全球重要的稳态偏滤器托卡马克前沿物理与工程技术实验平台。

托卡马克聚变同样面临巨大的挑战：等离子体本质上极不稳定，容易出现扰动、紊乱和能量损失，现有的物理模型难以完全演化等离子体的长期行为和不稳定性。因此，构建一个更精准与鲁棒的响应模型对于托卡马克控制至关重要。

基于深度神经网络的响应模型PaMMA-Net

科大讯飞联合团队此次发表的研究成果基于EAST装置超万次放电实验，构建了涵盖磁感应强度、磁通、等离子体电流、环电压、内感、储能、比压和线圈控制电压等多模态输入输出的完备数据集，并通过频率统一、缺失补全、标准化与序列裁剪形成高质量训练与测试样本。

在上述基础上，联合团队提出PaMMA-Net ——一种逐点的、仅编码器的、基于Transformer架构的模型。

PaMMA-Net模型融合了三项关键创新：

微变累计预测替代直接预测：基于电磁传感器的测量特性，预测微变量再累积得到演化过程，既缩小了建模动态范围，又契合“平衡+扰动”的物理建模思路，实现了对细粒度等离子体演化的高精度刻画。

状态融合预测：解决了观测信号与控制信号维度不齐，以及磁感应强度与磁通“类内强相关、类间弱相关”的建模难题。

指定频带的数据增强：在不破坏低频物理规律的前提下提升了高频扰动的多样性，从而增强了模型的鲁棒性与泛化能力。

在包含860次放电记录的测试集中，PaMMA-Net的预测相似度平均超过95%，对绝大多数放电实现了90%以上的预测精度，显著优于传统方法。基于其预测结果的平衡重建，能够准确恢复等离子体形状及多种关键参数，并在放电的上升段、平顶段、下降段和切换段均表现稳定。这表明PaMMA-Net在响应模型的长时稳定性和跨实验条件泛化这两个学界难题上取得了突破，为高精度、快响应的等离子体控制提供了可行路径。

深度神经网络代理响应模型是AI赋能聚变的研究热点。PaMMA-Net响应模型能够在长时段内高精度演化磁测量，因而有望被应用到多种场景中。

例如在先进控制器设计中，响应模型可作为“虚拟实验装置”，为强化学习、模型预测控制（MPC）等算法提供模拟环境，加速高性能控制器的开发；

在放电规划中，在实验前利用响应模型探索不同加热、供电、磁约束配置下的稳定运行方案，优化实验参数配置，减少昂贵的试错成本；

在物理过程解析中，对比磁测量预测与实验结果，响应模型有助于区分模型无法拟合的部分，从而定位潜在的物理机制缺失。精确高效的代理响应模型可显著加速研究进程，助力可控核聚变尽快实现商业化。

目前，将深度神经网络的响应模型作为“虚拟装置”，为强化学习控制器提供训练模拟环境的研发范式已推广至工业场景任务中，例如空分装置的工艺参数优化及大型建筑制冷能耗优化。

AI For Science带来科研范式的根本变革，正在成为科技发展的全新引擎。在大模型+科研领域，科大讯飞已联合高校和科研机构等进行了深入探索，取得了一定成果。例如此次登上《Nuclear Fusion》期刊的PaMMA-Net响应模型，在蛋白质设计、动物单细胞基因表达等方面的联合课题研究，以及联合研发的化学大模型、化工大模型等。未来，科大讯飞仍将肩负大模型赋能科研的重要使命，为AI For Science加速中国科技发展贡献更多力量。