Recientemente, el grupo de temas de física tridimensional Sun Youwen del equipo de la gran instalación científica EAST del Instituto de Física de Plasma de la Academia China de Ciencias ha logrado una serie de nuevos avances en la investigación de física de inteligencia artificial en tokamaks. El equipo ha desarrollado exitosamente modelos de predicción e identificación inteligente para fenómenos físicos clave utilizando tecnologías avanzadas de aprendizaje automático y redes neuronales. Los resultados de investigación relacionados se publicaron en las revistas centrales del campo de la fusión nuclear Nuclear Fusion y Plasma Physics and Controlled Fusion con los títulos "Identificación automática de estados de confinamiento de plasma en tokamaks (modo L, modo H sin ELM y modo H con ELM) con redes neuronales de aprendizaje multitarea" e "Análisis de interpretabilidad y predicción en tiempo real de disrupciones inducidas por modos bloqueados en EAST". El estudiante de doctorado Deng Guohong, asistido y guiado por el subinvestigador Wang Huihui, es el primer autor de ambos artículos.

En futuros dispositivos de fusión grandes (como ITER), las disrupciones mayores del plasma, debido a la liberación instantánea de enorme energía térmica y magnética, se consideran la amenaza potencial más grande para la operación segura del dispositivo. Por lo tanto, establecer un sistema de mitigación de disrupciones (DMS) confiable es crucial, y el prerrequisito para todo esto es poder predecir con precisión y a tiempo las disrupciones mayores (el fenómeno de "modo bloqueado" es una de las principales causas de disrupciones mayores). Además de evitar disrupciones catastróficas, lograr la identificación, reconocimiento y control preciso e inteligente de los estados operativos del plasma es otro problema central para que los futuros reactores de fusión logren una operación estable de alto rendimiento. El modo de confinamiento alto (H-mode) es el modo de operación estándar de ITER, pero los modos localizados en el borde (ELM) asociados pueden causar cargas térmicas excesivamente altas en las placas objetivo del divertor; su identificación automática y oportuna es un paso importante para que los futuros reactores de fusión avancen hacia el control inteligente.

En la investigación de predicción de disrupciones por modo bloqueado, el grupo de temas adoptó un método de aprendizaje automático "ante-hoc" de interpretabilidad. Este método utiliza la transparencia inherente del modelo de árbol de decisión (Decision Tree), no solo para "saber qué", sino también para "saber por qué". El "modelo de predicción interpretable" desarrollado por el equipo alcanza un área bajo la curva característica operativa del receptor (AUC) de 0,997 en el conjunto de prueba y revela exitosamente las cantidades físicas clave que llevan a las disrupciones por modo bloqueado. En esta base, para satisfacer las necesidades de experimentos reales, el equipo desarrolló además un "modelo de predicción en tiempo real", logrando una tasa de advertencia exitosa del 94% y un tiempo de advertencia promedio de 137 milisegundos, lo suficientemente para satisfacer las necesidades de advertencia de disrupciones de ITER. Esta investigación no solo puede proporcionar advertencias confiables de disrupciones para EAST, sino que también proporciona una referencia para una comprensión profunda del proceso físico de las disrupciones a través del análisis de interpretabilidad.

En otra investigación sobre la identificación automática de estados de confinamiento de plasma, el grupo de temas adoptó innovadoramente una red neuronal de aprendizaje multitarea (MTL-NN). Este método fusiona inteligentemente dos tareas físicas estrechamente relacionadas —la identificación de modos operativos (determinar si está en modo L o H) y la detección de ELM— en un solo modelo para un aprendizaje colaborativo. A través de capas de red compartidas, el modelo puede lograr correcciones mutuas entre tareas, mejorando significativamente la precisión y robustez del modelo. Para reducir la interferencia de ruido de señal, el modelo usa parámetros escalares en la tasa de escalado físico como características de entrada. Los resultados experimentales indican que la precisión de identificación de este modelo de aprendizaje multitarea alcanza el 96,7%, un aumento del 3,6% en comparación con el modelo de una sola tarea en la misma base de datos. Este resultado proporciona un "diagnóstico" eficiente y preciso en tiempo real para los estados operativos de plasma en tokamaks, y es un paso clave para desarrollar sistemas avanzados de control de retroalimentación de plasma y lograr una operación estable de alto rendimiento.

Este trabajo se beneficia de la colaboración conjunta entre los miembros del equipo de la gran instalación científica EAST. Estos resultados de investigación demuestran el enorme potencial de la inteligencia artificial en la solución de problemas clave de fusión nuclear: no solo tiene valor de aplicación directa para la operación eficiente futura de EAST, sino que también proporciona referencias científicas importantes y reservas técnicas para el control inteligente y la operación estable de ITER. Actualmente, el grupo de temas está profundizando en el control integrado de inteligencia artificial para múltiples procesos físicos. La investigación relacionada está financiada por el Proyecto Especial de Investigación Nacional de Desarrollo de Energía de Fusión Magnética Confinada, el Fondo Nacional de Ciencias Naturales de China, el Programa Piloto B de la Academia China de Ciencias, el Fondo Natural de Ciencia de la Provincia de Anhui y el Fondo del Director del Instituto de Ciencia de Materiales de Hefei.