近日，我校人工智能学院应用物理系杨旭博士与人工智能系杨军超博士，联合核工业西南物理研究院和中科院等离子体物理研究所等单位，在聚变能源与人工智能交叉研究领域取得重要进展。研究成果以“Resonant magnetic perturbations network: A multi-device deep learning surrogate for fast prediction of plasma response to resonant magnetic perturbations”（《共振磁扰动网络：用于快速预测多装置等离子体对共振磁扰动响应的深度学习代理模型》）为题，发表于人工智能工程应用领域国际权威期刊 《Engineering Applications of Artificial Intelligence》（EAAI，中科院一区Top期刊，IF:9.0）。

可控核聚变被誉为“人造太阳”，是解决人类能源问题的终极方案之一，作为主流磁约束聚变装置的托卡马克在高约束模式下会产生边缘局域模（ELM），该不稳定性会向器壁施加巨大瞬态热负荷，威胁装置安全运行，在 ITER （国际热核聚变实验堆）等下一代装置中问题更为突出；共振磁扰动（RMP）是公认有效的 ELM 控制方法，但其控制效果受等离子体参数与线圈构型影响，需要精准预判等离子体响应，现阶段MARSF 等磁流体数值模拟程序，单次模拟耗时10 至60分钟，难以满足实时控制需求。为此研究团队提出基于深度学习的多任务代理模型RMPNET，依托涵盖四台托卡马克装置的大规模数据集开展建模，将单次预测时长压缩至 10.1681±0.1299毫秒，计算性能优于传统对比模型，具备多装置混合数据适配能力，为等离子体实时控制提供支撑。

该研究首次将深度学习成功应用于跨装置、多任务的共振磁扰动等离子体响应预测，为聚变装置ELM控制策略的快速优化提供了新思路。RMP-NET不仅大幅降低了等离子体响应评估的计算成本，更为今后聚变堆的主动稳定性控制、ITER的可靠运行及实时反馈控制闭环提供了可行的技术路径。