基于深度强化学习的无重构磁控DIII-D等离子体

精确控制等离子体的形状和位置对于实现稳定的托卡马克运行和实现商业型核聚变能源至关重要。传统控制方法依赖于平衡重构和线性模型，限制了其适应性和实时性能。本文首次应用深度强化学习(RL)对中型DIII-D托卡马克进行磁控，展示了一种非线性方法，显著提高了鲁棒性和灵活性，适用于各种等离子体场景。采用Soft Actor-Critic算法，该方法无需进行平衡重构，实现了高速控制执行，并在更大的聚变装置上具有可扩展性。用于训练智能体的NSFsim包括2D梯度-沙夫拉斯方程平衡求解器、电路方程和1D传输求解器，其能够在磁力平衡演化过程中再现动能参数演化，这一能力对控制质量具有重要影响。RL-based控制器在DIII-D的实验应用中展现出鲁棒的磁控能力，在等离子体放电的瞬态事件中保持了控制性能，且无需额外调校或修改即可实现目标参数。该方法本身具有显著的跨装置和跨目标的泛化潜力。这一工作代表了向AI驱动的实时等离子体控制迈进的一步，推动了下一代核聚变反应堆的可行性。