解读人工智能在等离子体剖面分析中的应用：针对扭机不稳定性
等离子体物理
2026-03-05 v3
摘要
人工智能模型在各种托米克不稳定性（包括扭机、ELM 和破坏性事件）的预测中展现出强大的预测能力，但其不透明的本质在应用到核聚变电站时引发了安全和可信度方面的顾虑。本文提出了一种基于物理的解释框架，以 TM 预测模型为首要演示，并通过专门的 DIII-D TM 规避实验进行验证。我们应用 Shapley 分析识别旋转、温度和密度等轮廓对 TM 不稳定性预测的贡献。我们的分析表明，在实验情境中，较大的密度轮廓轻微不稳定，但核心电子温度和旋转尖峰在 TM 不稳定性中发挥主要作用。该工作提供了一种从训练到基于物理驱动解释的通用 ML 事件预测方法，弥合了物理理解与不透明 ML 模型之间的鸿沟。
引用
@article{arxiv.2502.20294,
title = {Interpreting AI for Fusion: an application to Plasma Profile Analysis for Tearing Mode Stability},
author = {Hiro J Farre-Kaga and Andrew Rothstein and Rohit Sonker and SangKyeun Kim and Ricardo Shousha and Minseok Kim and Keith Erickson and Jeff Schneider and Egemen Kolemen},
journal= {arXiv preprint arXiv:2502.20294},
year = {2026}
}