一种新型人工智能系统正显著提升对核聚变能源装置内部等离子体的观测能力。该系统名为Diag2Diag，由普林斯顿大学科学家阿扎拉克什·贾拉瓦南领导，近日发表于《自然·通讯》。其核心功能是通过现有传感器数据，生成原本缺失或精度不足的其他类型传感器数据，实现“以虚补实”。 在聚变实验中，传感器负责监测等离子体状态，但部分设备采样频率不足，难以捕捉快速变化的等离子体不稳定性。Diag2Diag利用AI技术，将低分辨率或不完整数据“超分辨率”重建，生成更精细、更准确的合成数据，甚至超越原始传感器的物理极限。这一能力尤其关键于测量等离子体边缘（即“边缘平台区”），该区域直接影响聚变反应效率和稳定性，但传统手段难以精确观测。 研究团队基于美国能源部下属普林斯顿等离子体物理实验室（PPPL）的DIII-D国家聚变设施实验数据开发了该AI。其原理可类比为：当视频失去声音时，AI能通过画面分析唇动、脚步声等信息“还原”音频。在聚变系统中，Diag2Diag则能“补全”关键物理参数，提升控制精度。 该技术对商业化聚变电站意义重大。未来商用反应堆需24小时连续运行，对系统可靠性要求极高。减少传感器数量可简化结构、缩小体积、降低成本并降低故障率。Diag2Diag使这一目标成为可能——用软件“替代”部分硬件，提升系统稳健性。 此外，该AI还为理解聚变关键机制提供了新证据。研究团队利用其数据验证了“磁岛”理论：通过施加微小磁场扰动（RMPs），可在等离子体边缘形成“磁岛”，使温度和密度趋于均匀，从而抑制破坏性能量爆发（ELMs）。以往受限于传感器精度，这一现象难以观测，而Diag2Diag提供了清晰的动态证据，为优化控制策略提供了科学支持。 目前，研究团队正计划拓展Diag2Diag的应用范围，已有多个国际团队表达合作意向。该技术不仅适用于其他聚变诊断，还可推广至航天器、机器人手术等对传感器可靠性要求极高的领域，具有广阔前景。