FusionMAE：用于优化和简化聚变等离子体诊断与控制的大规模预训练模型
等离子体物理
2025-09-17 v1 人工智能
摘要
在磁约束聚变装置中，等离子体复杂、多尺度且非线性的动力学特性需要集成广泛的诊断系统，以有效监测和控制等离子体行为。这些庞大系统及其错综复杂的相互关系所带来的复杂性和不确定性，长期以来一直是加速聚变能发展的重大障碍。本工作中，我们预训练了一个大规模模型——聚变掩码自编码器（FusionMAE），将来自88个诊断信号的信息压缩成一个具体的嵌入，从而在诊断系统和控制执行器之间提供一个统一的接口。为确保嵌入有意义，提出了两种机制：压缩-降维和缺失信号重建。预训练完成后，该模型获得了“虚拟备用诊断”能力，能够以96.7%的可靠性推断缺失的诊断数据。此外，该模型还展现出三种涌现能力：自动数据分析、通用控制-诊断接口，以及在多项任务上增强控制性能。这项工作开创了大规模AI模型在聚变能中的集成，展示了预训练嵌入如何简化系统接口、减少必要的诊断系统并优化未来聚变反应堆的运行性能。
引用
@article{arxiv.2509.12945,
title = {FusionMAE: large-scale pretrained model to optimize and simplify diagnostic and control of fusion plasma},
author = {Zongyu Yang and Zhenghao Yang and Wenjing Tian and Jiyuan Li and Xiang Sun and Guohui Zheng and Songfen Liu and Niannian Wu and Rongpeng Li and Zhaohe Xu and Bo Li and Zhongbing Shi and Zhe Gao and Wei Chen and Xiaoquan Ji and Min Xu and Wulyu Zhong},
journal= {arXiv preprint arXiv:2509.12945},
year = {2025}
}