AI技术在核聚变研究中的应用与展望

核聚变能因其能量密度高、燃料资源丰富、安全清洁等优势，被视为理想的未来终极能源。然而，可控核聚变技术的商用之路面临着燃烧等离子体稳态控制、极端工况材料耐受性及氚燃料自持等方面的技术挑战，其中堆芯等离子体的复杂、非线性强耦合特性给传统控制手段带来巨大困难。

近年来，人工智能（AI）技术的快速发展为核聚变研究注入了新的活力，涵盖智能诊断、智能仿真、智能控制、破裂预测及数字孪生等关键技术。中国环流三号装置上的最新实践成果，为我们展示了“AI+聚变”在智能控制和领域大模型等方向上的未来发展前景。

宋啸

中国聚变能源有限公司数字聚变堆研发部副主任，研究员，博导

01

AI时代的未来能源解决方案

当前全球AI技术高速发展，算力需求呈指数级增长。业界普遍认为，算力的未来依赖能源，而能源的终极解决方案很可能就是核聚变能。

从核聚变能的角度上看，燃料的能量密度极高，以目前最容易实现的氘、氚聚变为例，1升海水中的氘通过聚变释放的能量大约相当于330升汽油的燃烧热值，而且海水中的氘几乎是取之不尽用之不竭的。同时，聚变反应不产生长寿命放射性废物，也不排放温室气体，安全又清洁。

由于核聚变是极难掌握的颠覆性能源技术，故谁能率先掌握核聚变能源，谁就能在未来发展中占得先机。

我国核能发展遵循热堆-快堆-聚变堆“三步走”战略，聚变堆正是这一战略的最终目标。一旦核聚变实现商用，人类不仅能获得近乎无限的清洁能源，星际航行等美好愿景也将成为现实。

然而，实现核聚变的条件极为苛刻。在地球上无法复制太阳内部的高密度环境，只能通过提升离子温度进行补偿，目前实验室已经可以达到太阳中心温度的10倍。要在如此极端的条件下实现可控的聚变反应，人类面临巨大的科学与工程学挑战。长期以来，核聚变研究进展缓慢，行业内甚至一度流传着“永远的50年”这一说法，意指每次被问及商用时间表时，答案总是50年。

这一困境的根本原因之一在于，托卡马克装置中的高温等离子体是一种高度非线性的复杂流体系统，其不稳定性时间尺度跨越微秒至数百毫秒，依靠传统控制手段难以实现精准、实时的调控。

AI技术的崛起为破解这一困局提供了新的可能。AI在计算速度、模式识别和复杂系统控制方面的天然优势，与聚变研究中对实时诊断、快速仿真和智能控制的需求高度契合。

2020年以来，美国能源部累计投入数亿美元资助聚变领域的机器学习与AI研究，欧盟也启动了多个相关项目。谷歌DeepMind团队与瑞士等离子体中心于2021年首次将深度强化学习应用于真实托卡马克等离子体磁控制，取得里程碑式突破。在此背景下，本文围绕AI在核聚变研究中的应用现状与未来展望展开系统论述。

02

核聚变技术的研究与应用背景

在多种核聚变技术路径中，磁约束聚变，特别是托卡马克装置，被公认为当前最接近实现聚变能商用的技术路线。经过70余年的发展，托卡马克的参数不断突破，科学家积累了丰富的理论和实践基础。

迄今为止，美国的托卡马克聚变实验反应堆（TFTR）装置和欧盟的欧洲联合环（JET）装置成功实现了氘-氚燃烧反应并输出了可观的聚变功率，其余装置均尚未获得聚变功率输出。

中国在核聚变领域拥有深厚积累。

核工业西南物理研究院（西物院）成立于1965年，是我国最早从事核聚变能源开发利用的专业研究院，同时也是我国参加国际热核聚变实验反应堆计划的重要技术支撑单位。

2025年7月，在西物院60年研究基础上，中国聚变能源有限公司（以下简称“中国聚变”）于上海市闵行区正式成立，由中核集团控股，上海国绿基金等为重要股东，旨在深耕核聚变工程化研究，加速推进聚变能源的商业化进程。

03

核聚变技术商用之路上面临三大核心技术难题

第一，燃烧等离子体稳态自持运行。

上亿度的氘氚燃料等离子体需要在长时间尺度上维持稳定燃烧，并实现有效控制。由于等离子体自身系统具有极强的非线性特征，磁流体不稳定性（如撕裂模、边界局域模等）极易导致等离子体挣脱磁场的约束而失控。其中被称为“破裂”的现象尤为严峻——等离子体约束在毫秒级时间内失效，巨大的热能和电磁力瞬间释放，会对装置造成毁灭性打击。

第二，耐高能中子辐照及高热负荷材料研发。

聚变反应产生的14.1 MeV高能中子通量极高，且等离子体边界存在极高的稳态和瞬态热负荷。目前尚无任何材料能够可靠承受长时间聚变堆级别的中子辐照和热负荷冲击条件，相关材料研发仍处于探索阶段。

第三，氚自持。

虽然氘可从海水中无限提取，但聚变反应的另一种燃料氚在地球上的存量极少，仅约4~5千克。未来的商用聚变堆每年消耗的氚以吨计，必须依靠聚变中子与锂反应实现氚的增殖，且增殖比需达到1:1.2以上方可自持。这一技术链条尚未经过工程验证。

上述三大挑战中，第一项直接关系到能否“点燃”并“稳住”聚变反应，是解决后两项技术挑战的前提。而AI技术恰恰在应对等离子体极端复杂控制问题方面展现出广阔的应用前景。

04

AI在核聚变研究中的应用现状

近年来，国际核聚变研究界对AI技术给予高度关注。国际原子能机构牵头三十余家单位成立了名为“AI加速聚变研究进程”的国际协调研究项目（2022—2027）。美国能源部在2023年资助了7个聚变科学领域的机器学习项目，总额达2900万美元。2024年，欧洲聚变联盟（EUROfusion）则启动了15个将AI和机器学习应用于聚变能开发的新研究项目。

在实验验证方面，多项标志性成果标志着“AI+聚变”从理论走向实践。

2021年，谷歌DeepMind团队与瑞士等离子体中心（SPC）合作，基于深度强化学习算法开发的磁控制智能体首次在真实托卡马克装置上实现了等离子体放电全过程的自动控制，无须人工干预。美国双瓣3号偏滤器位形（DIII-D）装置上训练的深度神经网络模型，以超过90%的准确率成功预警了JET装置上的破裂事件。韩国中央大学与美国普林斯顿等离子体物理实验室合作，利用深度学习方法在韩国超导托卡马克先进研究（KSTAR）装置和DIII-D装置上成功预测了撕裂模不稳定性的增长率。

此外，英国原子能管理局在设计和建造球形托卡马克发电装置（STEP）聚变堆的过程中，明确提出需要借助超级计算和AI改变传统工程设计流程，提升验证迭代效率。韩国聚变能源研究所正在发展虚拟托卡马克平台，整合数字孪生和AI技术，以降低聚变堆技术风险，并支撑下一代装置韩国示范堆（KDEMO）的设计。

在托卡马克装置中，等离子体的温度高达上亿摄氏度，无法直接测量，科学家通常利用微波或激光干涉、散射等手段获取信号，再经过反演计算得到温度、密度、环向旋转速度等关键参数。

传统数据处理方法高度依赖人工经验，例如离子温度的计算常采用高斯多峰拟合解谱，不仅耗时也难以实现实时化。

中国环流三号装置上部署了基于监督学习与卷积神经网络的智能解谱模型，成功实现了离子温度与转速剖面的实时自动化计算。该模型将原本需要数秒甚至更长时间的人工分析过程加速至毫秒级，使得温度信息可以实时反馈至控制系统，为闭环控制创造了前提。

聚变等离子体的数值模拟涉及复杂的多物理场耦合，传统程序计算量大、耗时长，难以满足实时控制需求。AI代理模型技术通过学习传统仿真程序的输入-输出映射关系，可在保证精度的前提下实现若干数量级的加速。

在中国环流三号上，研究人员利用神经网络学习了单流体的磁流体主动共振稳定模型（MARS-F ）程序的输入-输出关系，实现了等离子体比压极限（β）的快速估计，加速比超过三个数量级（从秒级至毫秒级）。类似地，针对平衡重建（EFIT）程序，神经网络代理模型在保持重建精度的同时，将单次计算时间从约1秒缩短至1毫秒以内，为实时平衡控制提供了可能。

强化学习在托卡马克控制中的应用是近年来的研究热点。中国环流三号装置上已成功部署强化学习控制器以替代传统比例-积分-微分（Proportional–Integral–Derivative, PID ）控制器，实现了100毫秒时间尺度的磁位形控制。该控制器的一大优势在于，当控制目标调整时，不再需要重新进行仿真设计和实验试错——智能体可根据实时状态动态调整策略，当炮即可获得期望的等离子体位形，大幅提升了实验运行效率。

这种基于强化学习的控制方法在飞行器自动起降等场景中具有类比意义。正如飞机可以在AI辅助下实现全自动起降，托卡马克的放电爬升和下降阶段也可由智能体接管，从而减少对人的依赖，提高控制精度，增强可重复性。

破裂是托卡马克运行中最为危险的事件之一。其发展极为迅速，从不稳定增长到等离子体约束完全丧失，往往仅有数毫秒的窗口期。传统方法依赖人工观察诊断信号，待破裂征兆明显时通常已来不及干预。

中国环流三号部署的基于深度神经网络的破裂预测器，通过监测近百个诊断通道的数据，可在破裂发生前约10毫秒识别出先兆特征，预测准确率显著优于传统方法。仅此一项进步，便超越了此前20至30年的实验积累。

更重要的是，将破裂预测器与强化学习模型控制的“软着陆”策略相结合，当预测到破裂不可避免时，控制系统可主动调节等离子体位形和辅助加热功率等参数，将能量以辐射等方式提前释放，避免集中沉积在装置壁材料上，从而保护装置安全。

核技术研究中的数据驱动方法高度依赖训练数据，而氘-氚实验数据在全球范围内极为稀缺（目前仅TFTR和JET做过少量实验）。为突破这一瓶颈，物理信息神经网络（PINN）提供了一条有效路径。通过将高阶物理方程作为约束嵌入神经网络训练过程，即使仅有有限数据，也能可靠重建等离子体平衡位形。

数字孪生技术则是AI与聚变工程深度融合的又一重要方向。

中国环流三号真空室烘烤过程已建立数字孪生系统。传统监测依赖有限传感器测点，存在盲区，而基于大数据与机器学习的数字孪生系统可实时同步计算温度、应力等多物理场分布，实现对烘烤过程的精确控制和快速响应。在此基础上，研究人员正进一步构建全域数字孪生演示系统，用于实时监控装置、人员和设备的安全状态。

05

中国聚变在AI数字化领域的工作展望

中国聚变在上海的重点任务是深耕聚变工程化研究，其中全域AI技术是两大核心研发方向之一。

未来几年内的首要目标是构建未来聚变堆的全域智能控制系统，其核心思想是实现智能观测、智能仿真与智能控制之间的闭环——通过智能诊断实时获取等离子体状态，通过代理模型快速预测演化趋势，通过强化学习等手段实现自适应控制，最终促成等离子体从爬升到平顶再到下降的全过程自主运行。

这一系统不仅要控制等离子体本身，还要同时兼顾装置壁热负荷、电磁力、中子通量等多重约束，在多个不稳定性边界之间动态寻优。目前，中国聚变已与上海人工智能实验室、上海创智学院、上海交通大学、东华大学等多家单位建立了合作关系，共同攻关这些核心课题。

在垂直领域小模型（如破裂预测器、代理模型、智能诊断模型等）日益丰富的基础上，中国聚变研发团队正考虑进一步构建聚变领域大模型。当前以DeepSeek等为代表的通用大模型在知识工程方面展现了强大能力，已有合作单位尝试将核聚变专业知识输入自研模型，生成的报告与专业人员撰写的内容差距不大，初步验证了可行性。

未来的聚变领域大模型不仅会整合等离子体物理、工程设计和实验数据等结构化知识，还将融入文献、报告、操作规程等非结构化文本信息，通过检索增强生成（RAG）或微调方式，提供等离子体物理科普与教学、实验报告自动化生成、辅助科研方案设计等服务。这或将为核聚变研究带来全新的知识管理和科研范式。

我们必须清醒地认识到，当前绝大多数AI模型基于氘-氘或纯氢等离子体数据训练，而未来聚变堆运行在氘-氚燃烧条件下，参数区间将大幅超出已有训练数据集范围。当模型应用于未知区间时，性能可能严重下降，例如：仅用600 kA以下数据训练的平衡重建的神经网络模型（EFIT-NN）在600 kA以上数据中测试时表现显著恶化；电荷交换复合光谱（CXRS）智能解谱模型在2 keV以上温度区间同样存在外推困难的问题。

中国环流三号计划于2027年底开展全国首个（全球第三个）氘-氚燃烧实验，这为收集真正的高参数数据、验证和优化AI模型提供了宝贵契机。此外，研发团队正积极探索合成数据生成和迁移学习等方法，以缓解数据稀缺问题。

归根结底，核聚变装置关系重大安全，我们应该发展的不仅是通用AI，更是可靠、可解释、可信任的AI。本着对国家、对人民高度负责的态度，所有AI系统的部署都必须经过严格的离线验证和分阶段在线测试，确保在极端工况下的鲁棒性和安全性。

核聚变能是人类解决能源问题的终极出路之一，AI技术的迅猛发展为核聚变技术的商用之路开辟了新的方向。不过，AI虽能大幅加速研发进程，但核聚变商用最终仍要依靠物理学、材料学、工程学等多学科的协同突破，以及科学家与企业家的紧密合作。只有在确保安全可靠的前提下，核聚变这一终极能源梦想才能最终照进现实。

-本文刊载于《世界科学》杂志2026年第8期“前沿科技”版块“新能源”栏目-

文章转载自"世界科学"公众号