一项由美国能源部普林斯顿等离子体物理实验室（PPPL）、橡树岭国家实验室与私营企业共同融合能源系统（CFS）合作开展的创新研究，利用人工智能技术成功加速了寻找聚变反应堆内部“磁阴影”区域的进程。这些“磁阴影”是等离子体高温辐射下被屏蔽的安全区域，对保护反应堆内壁材料至关重要。 该AI系统名为HEAT-ML，基于深度神经网络构建，能将原本需30分钟甚至更久的复杂计算缩短至几毫秒。其核心功能是快速生成“阴影掩膜”——一种三维地图，用于标识聚变装置内部哪些区域因磁场结构和部件遮挡而免受高温等离子体直接冲击。 传统方法依赖开源软件HEAT进行模拟，但其在处理复杂三维几何结构时效率极低。HEAT-ML通过训练约1000次SPARC反应堆的模拟数据，学习了磁场线与内部结构的交互规律，从而实现快速预测。SPARC是CFS正在建设的紧凑型托卡马克装置，目标是2027年实现净能量增益，即输出能量超过输入能量。 目前，HEAT-ML仅适用于SPARC排气系统中约15块关键部件的局部区域，是HEAT代码中的一个可选功能。但研究团队正致力于将其扩展至适用于任何形状和尺寸的排气系统，以及整个反应堆的等离子体面对部件，为未来聚变装置的设计与实时运行控制提供强大支持。 “这项研究证明，我们可以为现有代码构建AI代理模型，大幅加快获取有效结果的速度，也为控制策略和运行规划开辟了新路径。”PPPL数字工程负责人迈克尔·丘奇ill表示。 该研究得到美国能源部资助（合同编号DE-AC02-09CH11466和DE-AC05-00OR22725），并获得CFS支持。随着AI与聚变工程深度融合，HEAT-ML有望成为推动可控核聚变走向实用化的关键技术之一。