PACMAN将多种人工智能控制整合进DIII-D托卡马克

在托卡马克中约束等离子体，需要修正那些可能在数毫秒内放大的变化。机器学习模型此前已经能预测或控制特定任务，但每项演示通常都以彼此孤立的系统接入装置。Andrew Rothstein、Hiro Farre-Kaga、Egemen Kolemen及其同事研究了一个问题：多个模型能否共用同一组诊断信号和执行器，同时避免发出相互冲突的指令。他们给出的方案是PACMAN架构，其英文全称意为“利用机器学习进行预测与控制”，并将它部署在美国的DIII-D研究型托卡马克上。

PACMAN把控制流程分成四个阶段。首先，它收集实时测量数据，包括温度、密度和磁信号，并检查错误。随后，为不同任务选定的模型估计等离子体当前状态或近期演化。控制器再把这些估计转换成加热、注气及其他执行器的请求。最后一层负责化解相互竞争的请求、施加设备的物理限制，然后才发送指令。一次完整循环通常约需20毫秒，并在一次实验放电期间反复运行。

论文描述了DIII-D上的五项独立应用：强化学习控制器管理加热系统；一个模型估计等离子体边缘能量突发的概率；另一个模型探测并控制由快粒子驱动的波；一个控制器把密度和旋转剖面调向研究人员设定的目标；第五个应用则试图预判并避免撕裂模。撕裂模是一种会重组等离子体并降低性能的磁不稳定性。五项任务使用了同一套输入、决策和输出结构，但并不是把全部能力同时放进一次测试。

在撕裂模演示中，模型计算不稳定性在可设定时间窗内出现的概率。当概率越过阈值，控制器就把微波加热重新指向等离子体中的适当区域。实验室称，这次预测比预期的不稳定性出现时间提前约200毫秒，而常规控制通常要在不稳定性开始后才能发现它。这段提前量让系统有机会先改变等离子体以避免事件，而不是在事件发生后再尝试压制。

这套架构还协调了六台回旋管。回旋管是用微波加热等离子体的装置，系统会调节其功率和反射镜位置，以完成预先设定的目标。人类操作员仍负责选择目标，并在各次放电之间设定参数。如果某项输入失效，相应控制器就不会发出新请求；末端层还会把每条指令限制在硬件安全范围内。因此，演示中的自主性指的是快速执行，而不是选择科学目标或决定是否运行托卡马克。

核心进展属于控制工程：同一基础设施接纳了不同模型，解决了执行器冲突，并在真实实验中运行。这可能减少把新算法部署到DIII-D所需的工作。要确定相同架构在其他托卡马克上是否仍然快速、稳定且安全，还需要重新安装和测试；已发表的实验没有测量净能量产出，也没有评估未来聚变电站的表现。