最近，一篇发表在《自然通讯》上的论文引起了广泛关注，因为它标志着可控核聚变领域的一项重大突破。该研究首次实现了使用人工智能（AI）在两个托卡马克装置上进行3D磁场的全自动优化，这为实现经济可行的核聚变能源迈出了关键一步。
托卡马克是一种环形的核聚变装置，通过高温等离子体的约束和加热来实现核聚变反应。然而，在实际操作中，托卡马克面临着许多挑战，其中之一就是边缘能量爆发（ELMs）。ELMs是由等离子体不稳定性引起的，它们会导致能量的快速释放，对托卡马克的壁面造成损害。因此，抑制ELMs是实现可控核聚变的关键。
为了解决这个问题，研究人员采用了一种创新的方法，结合了机器学习（ML）、自适应控制和多机器能力。他们开发了一个基于ML的3D磁场模拟器，可以实时预测和优化托卡马克中的磁场分布，以实现ELMs的抑制。通过这种方式，他们能够自动访问和实现几乎完全无ELMs的状态，同时显著提高等离子体的约束和能量性能。
这项研究的成果令人印象深刻。在两个托卡马克装置（KSTAR和DIII-D）上，研究人员实现了迄今为止最高的无ELMs状态下的核聚变性能。他们通过实时利用ELMs抑制和损失之间的滞后效应，成功地将等离子体的约束时间和能量性能提高了90%。此外，他们还实现了从等离子体操作开始就同时抑制ELMs，这在以前是无法做到的。
然而，尽管这项研究取得了令人鼓舞的成果，但仍存在一些挑战和限制。首先，尽管研究人员实现了高能量性能，但他们也观察到了一些ELMs的出现，特别是在优化过程中。虽然这些ELMs的数量相对较少，但它们仍然可能对托卡马克的操作和性能产生负面影响。
其次，该研究依赖于特定的实验条件和装置配置，这可能限制了其在其他托卡马克装置或未来核聚变反应堆中的直接应用。例如，研究人员使用的3D磁场线圈和控制系统可能无法直接移植到其他装置上。
此外，该研究还强调了在未来核聚变装置中实现完全自适应优化的挑战。目前的方法在优化过程中仍然会导致一些ELMs的出现，而未来的研究需要探索更先进的ELM检测和控制策略，以实现完全无ELMs的操作。
