DeepMind和CFS联手将AI控制带入聚变能源|deepmind|人工智能|核聚变|等离子体|聚变能源

核聚变的焦点一直是关于产生清洁可靠的能源。然而，使其成为现实的关键可能不是磁铁和等离子体，而是数据——它是如何产生、模拟和解释的。每个实验都会产生大量的信息：数兆字节的等离子体读数、磁场图和热通量测量值。对于旧模型来说，这是一场过于强大的洪水。将其转化为理解，开始感觉更像是一个人工智能问题，而不是物理问题。

这就是DeepMind和Commonwealth Fusion Systems（CFS）之间的新伙伴关系。CFS是麻省理工学院开发紧凑型SPARC反应堆的子公司，希望证明受控聚变最终可以产生比消耗更多的能量。DeepMind的工作是努力实现这一愿景——不是通过构建硬件，而是通过训练机器读取、预测和控制微型聚变核心内部的情况。

此次合作的焦点是TORAX，一个由DeepMind开发的可微分物理模拟器，以及一组从合成等离子体数据中学习的强化学习模型。他们共同创建了一个闭环系统，该系统使用可以大规模生成的合成模拟进行训练。预测等离子体的行为，确定哪些调整使其保持稳定，并将这些知识反馈到CFS的实验中。简单地说，这是一种旨在保持等离子体稳定性的人工智能控制架构——没有一个聚变反应堆能够维持足够长的时间来获得净能量。

一切都归结为控制。控制等离子体就是试图控制液体闪电。每一个磁脉冲或温度变化都会通过数十个其他变量发送冲击波，从而形成一个反馈回路网络，该网络结合了惊人的复杂性和速度——对任何人来说都太快了，无法实时跟踪。DeepMind面临的挑战是使这种混乱清晰可辨——将原始传感器数据转化为结构化信号，使机器能够比任何工程师更快地做出响应。

TORAX模拟了合成数据集，说明了等离子体在数百万种潜在配置中的行为。然后，强化学习模型筛选这些数据，寻找保持SPARC等离子体平衡和生产力的组合。

当实际的传感器数据开始输入时，系统会将实际发生的情况与其预测进行比较，并开始学习。模型和机器在多次运行中一起进化——这是一个自适应数据系统，它不仅是对融合的描述，而且学会了保持融合的活力。

CFS物理运营高级经理Devon Battaglia表示：“TORAX是专业领域的一款尖端开源等离子体模拟器，为我们创建和维护SPARC模拟环境节省了大量工时。”“现在，了解等离子体在不同条件下的行为是我们工作的一个重要方面。”

DeepMind表示：“将我们的人工智能技术与CFS的尖端实验硬件相结合是一项自然而令人兴奋的合作，我们希望这将为科学带来新的机遇。”

但这个故事还有另一个层面。这不仅仅是为了让核聚变发挥作用，也是为了更广泛地增加人工智能和能源的重叠。随着模型的增长和数据中心消耗更多的电力，科技公司正在害怕渐进式进步的日子。他们正在考虑长期能源供应。

这就是DeepMind背后的母公司谷歌投资CFS 8.63亿美元B2轮融资目的之一，并同意根据未来的购电协议从其位于弗吉尼亚州的第一座商业聚变工厂购买200兆瓦的电力。DeepMind的融合研究并不存在于泡沫中；它为谷歌用无碳能源为其基础设施供电的更广泛倡议提供了支持。

从技术上讲，这是有道理的。聚变反应堆是人类建造过的最复杂的机器之一。数千个变量——磁场、燃料喷射和排气、等离子体密度——可以控制，但它们会不断地、不可预测地相互作用。工程师们打趣说，“人类转动的旋钮太多了。”这正是强化学习旨在解决的问题：一个通过运行数百万个模拟场景来学习的系统，直到找到有效的场景。

Deepmind分享道：“使用TORAX结合强化学习或AlphaEvolve等进化搜索方法，我们的人工智能代理可以在模拟中探索大量潜在的操作场景，快速识别产生净能量的最有效和最稳健的路径。”“这可以帮助CFS专注于最有前景的策略，从第一天开始就增加成功的可能性，甚至在SPARC完全调试和满功率运行之前。”

当满功率运行时，SPARC将在其内壁附近的微小体积内产生非凡的热量。为该模型的排气盖上盖子需要在毫秒内进行磁性调整，这是DeepMind的人工智能代理现在正在学习的。初步模拟表明，他们可以学会将热负荷分散到反应堆内壁或分流器上，帮助材料保持在安全的热限值内。

以前的模拟器是用较旧的语言编写的，而TORAX是用JAX编码的，并在GPU上运行。这意味着它可以并行进行数百万次快速、可微分的模拟，将高能物理学与已经成为当今机器学习研究基础的计算基础设施相结合。