英国原子能管理局(UKAEA)首席数据科学家 Lorenzo Zanisi 说,为了设计 STEP 聚变电站,他们用 AI 把杂乱的实验数据和高保真模拟连起来:多模态基础模型、开源的等离子体形状模拟器和一批代理模型,把一次轨迹模拟从四周缩到四小时,把一次简化磁流体模拟从 354 小时缩到约 10
STEP 电站要跑出今天的实验没见过的等离子体,他说只能靠最高保真的模拟加 AI 的数字孪生
Zanisi 说,UKAEA 在 West Burton 建的 STEP(球形托卡马克能源电站)要成为第一座聚变电站,目标是 2040 年代向电网供电;STEP 和相关聚变项目刚获得到 2030 年约 25 亿英镑。电站里的等离子体状态是现有实验装置没到过的,所以只能用最强的超级计算机做最高保真的模拟。他说 AI 的机会在于把杂乱的实验数据和高保真模拟结合成预测模型,用于电站设计、等离子体控制和实时预测,统称“数字孪生”;一台专为聚变的 AI 超算 Sunrise,他说预计 2026 年底前后
他们把各路诊断数据合进一个多模态基础模型,预训练在最难的高频任务上帮助最大
托卡马克里的等离子体太热,大部分肉眼看不见,靠藏在墙里的大量诊断仪器来测;他说到了电站,诊断数据每天约 1 PB。数据来自多种模态,采样频率各不相同,有一维时间序列,也有视频。与其给每种数据单独训练模型,他们和 IBM 等伙伴一起做了一个多模态基础模型的原型:一个多模态编码器加 Transformer 主干。他说先预训练再微调,比从零训练更好,在高频信息多、最难预测的那组任务上差距
聚变数据从来不是为 AI 收集的,他们先做了 FAIRMAST 数据集
他说那个基础模型来得很慢,因为聚变数据从来不是为 AI 收集的:没有编目,AI 很难检索;有时看着一段实验数据不知道是什么,信号没有正确标注;数据分散在一层套一层的系统里。气候领域有 ERA5 这样的数据集,聚变没有。于是他们做了 FAIRMAST,他说这是第一个符合 FAIR 原则(可查找、可访问、可互操作、可复用)的聚变数据集,由 Samuel Jackson 牵头。他说这份工作不好玩,却是做一切 AI 的前提,社区里也会有更多这样的数
受 DeepMind 用强化学习控制等离子体的启发,他们做了开源模拟器 FreeGSNKE,正装进控制系统
他说等离子体的形状很难控制,却决定电站能不能产出能量。四年前 DeepMind 在瑞士的 TCV 托卡马克上,用只在模拟器里离线训练的强化学习智能体控制等离子体,做到了控制工程师很难实现的形状轨迹。UKAEA 随后启动了自己的 AI 控制项目,为此开发了模拟等离子体形状演化的开源模拟器 FreeGSNKE,并加速了其中的关键部件,让实验设计更快,同时不超出线圈电流的安全限制。他说这些正在当月(2026 年 3 月)装进控制系统,更多的还不
先花一两个月算出大批模拟再训练代理模型,一次轨迹模拟从四周缩到四小时
他说传统做法是一次跑几个模拟,代码慢而脆弱,参数空间里每要一个新解都得重算,有时要等一周。新的做法是接受模拟昂贵:在集群上占几个节点一两个月,算出尽可能多的模拟,用这个数据库训练代理模型,之后每次查询只要几毫秒。湍流会让等离子体核心比预期冷,一次剖面预测要约一千次高保真模拟,做不起;靠经验定标律又外推不到电站。一个简单的多层感知机代理已能较好复现实验温度剖面;接进轨迹模拟后,一次从四周缩到四小时。他也展示了一个失败的代理,说建得不小心就会
五维湍流的代理模型比模拟快约一百万倍,精度约是低保真模型的四倍
高保真的湍流用回旋动理学方程描述,要在五维相空间里演化分布函数,数值上极难求解。他说 UKAEA 和林茨的约翰·开普勒大学合作,做出第一个能直接处理这种五维数据的代理模型:部署后比模拟快约一百万倍,精度约是低保真模型的四倍,但不及原模拟,相当于在两者之间加了一档。因为保留了完整的五维信息,它能在没有数据的参数区域给出湍流谱,也能复现带状流。为了压低成本,主动学习在更简单的模拟器上把生成数据的开销最多降到二十分之一;一次湍流模拟约占 2 TB,神经场压缩最多压七万倍而保住物理,他说那是最好的例子
边缘模拟器老旧易崩,他们靠新的模拟管理工具跑了约四万次,是 JET 二十年的两倍
核心要上亿度,等离子体却不能以这个温度碰到器壁,他说材料大约在五千度熔化,而核心到边缘只有约一米。边缘模拟是庞大的多物理问题,方程里有些参数没人知道,只能凭空设定或按实验结果校准,设计电站时靠不住。现有模拟器老旧、经常崩,他们做了一个结合机器学习和人工把关的模拟管理工具,至今跑了约四万次;他说 JET 整个历史二十年里大约只跑过两万次。用简单 Transformer 训练的代理模型预测器壁温度,与真值几乎看不出差别,能一眼看出在五千度线以下哪些工况可行,画出设计取舍的帕累托前沿,并对未知参数做不确定性量化,他说这以前没人
一次磁流体模拟 354 小时,代理推演约 10 毫秒;偏微分方程的基础模型只用十分之一的数据就追平
核心到边缘一米内从上亿度降到五千度,温度梯度极大,会引起磁流体不稳定性,至少要知道,最好能控制。他们给一个简化的磁流体系统做了代理模型:在不稳定性开始的阶段接近真值,之后进入混乱阶段则在统计意义上准确;一次模拟要 354 小时,一次完整推演在一块 GPU 上约 10 毫秒。他们还拿一个约三年前发布、从没见过这类不稳定性的偏微分方程基础模型试了零样本,效果已经不错;用前面十分之一的数据微调,就达到同样的表现。他说这关乎数据效率,因为他们的模拟太贵,做不了
数字都是 UKAEA 自己的结果,很多还在简化系统上,电站的日期是目标
这是 Zanisi 在 The Alan Turing Institute 的 AI for Science 活动上的报告,讲 UKAEA 和合作方自己的工作,没有外部评测;他说其中一些工作他本人没有参与。主动学习的节省是在更简单的模拟器上得到的,压缩七万倍是最好的例子之一,磁流体代理针对的是简化系统;控制系统里装了什么、效果如何,他说还不能讲。STEP 2040 年代并网是目标,他自己也说“聚变总是还差二十年”。报告讲于 2026 年 3 月 31 日,数字都是当

