本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

DeepMind在蛋白質(zhì)折疊問題上實現(xiàn)巨大突破后，目標又轉(zhuǎn)向核聚變了。

最近，它開發(fā)出了世界上第一個深度強化學(xué)習(xí)AI——可以在模擬環(huán)境和真正的核聚變裝置（托卡馬克）中實現(xiàn)對等離子體的自主控制。

陌生名詞不要急，后面馬上解釋。

這比傳統(tǒng)的計算機控制要更高效且精準，成果登上今天的Nature。

作為強化學(xué)習(xí)最具有挑戰(zhàn)性的一個應(yīng)用，這一成果也對加速可控核聚變有很大意義。

用強化學(xué)習(xí)控制核聚變反應(yīng)

核聚變是未來最有潛力的清潔能源：只靠一個原子核就能產(chǎn)生巨大能量，除了相對少量的放射性廢物（可在一個世紀內(nèi)分解），不會產(chǎn)生任何溫室氣體。

但要在地球上實現(xiàn)這一反應(yīng)無比困難，需要制造一個極端高溫和高壓的條件，在其中創(chuàng)建一個由裸原子核組成的“等離子體”。

磁約束聚變裝置——托卡馬克（tokamak），是最有希望的一個實現(xiàn)方法。

它是一個環(huán)形反應(yīng)堆，可以在超過1億攝氏度的環(huán)境下把氫加熱（superheat）成等離子體的狀態(tài)。

△ 托卡馬克內(nèi)部圖

由于等離子體溫度太高，任何材料都無法容納，要通過強大的磁場將它懸浮在托卡馬克內(nèi)部。

在操作磁線圈時必須非常仔細，因為一旦碰壁，就可能導(dǎo)致容器損壞，并減緩聚變反應(yīng)。

而一個托卡馬克裝共有19個磁線圈，一秒需要調(diào)整線圈及其電壓數(shù)千次。

傳統(tǒng)的裝置中，每個線圈配備單獨的控制器。

每當研究人員想要改變等離子體的結(jié)構(gòu)，嘗試不同的形狀以產(chǎn)生更高的能量時，就需要大量的工程和設(shè)計工作。

DeepMind這個強化學(xué)習(xí)系統(tǒng)則可以一次控制全部19個線圈，并精確操縱等離子體自主呈現(xiàn)各種形狀，呈現(xiàn)產(chǎn)生科學(xué)家們一直在探索的更高能量的新配置：

比如下圖中第二個“負三角”以及第四個“雪花”（這個形狀可以通過將廢能量分散到托卡馬克壁上的不同接觸點來降低冷卻成本）。

以及第一個“droplets”，這也是第一次在托卡馬克內(nèi)同時穩(wěn)定兩個等離子體。

這個AI系統(tǒng)由DeepMind和瑞士洛桑聯(lián)邦理工學(xué)院等離子體中心的物理學(xué)家共同完成。

瑞士中心的一位成員表示：“這里面有的形狀已經(jīng)逼近裝置的極限，很可能對系統(tǒng)造成損壞，如果不是AI給的信心，我們可能不會冒這個險。”

這個AI是在模擬器中通過反復(fù)試驗來訓(xùn)練的。

在核聚變研究中，模擬器非常有必要，因為目前運行的反應(yīng)堆一次只能維持等離子體最多幾秒鐘，之后需要時間來重置。

不過一個問題是：該模擬器并沒有準確捕獲真實托卡馬克中存在的所有變量，能遷移到真正的托卡馬克上嗎？

對此，DeepMind研究員表示，通過用隨機數(shù)表示足夠訓(xùn)練出一個靈活的AI。

另一個問題是：為了保持對托卡馬克內(nèi)部等離子體的控制，控制算法必須能夠做出極快的決定，在短短幾秒鐘內(nèi)對磁場進行調(diào)整。但許多人工智能系統(tǒng)在如此高速的環(huán)境下需要很長時間才能做出預(yù)測。

為此，該團隊先訓(xùn)練了一個大型神經(jīng)網(wǎng)絡(luò)，它可以對磁場的變化如何塑造等離子體進行長程預(yù)測（longer-term prediction）。

然后用這個網(wǎng)絡(luò)來訓(xùn)練一個遠小得多的系統(tǒng)，學(xué)習(xí)執(zhí)行第一個網(wǎng)絡(luò)所推薦的決策的最佳方法。

這個較小的網(wǎng)絡(luò)能與托卡馬克控制系統(tǒng)直接交互，在不到50微秒（50百萬分之一秒）的時間內(nèi)做出決定。

最后，作者表示，雖然這個成果意義非凡，但只是朝著人類實現(xiàn)可控核聚變邁出了一小步。

比如實現(xiàn)一秒鐘的實時運行需要模擬托卡馬克數(shù)小時的時間，而它的條件每天都可能發(fā)生變化，算法還需各方面改進。

此外，還要看現(xiàn)在這個系統(tǒng)能否轉(zhuǎn)移到更大的托卡馬克裝置中。

聚變能源何時實現(xiàn)商用還很難說，但DeepMind斷言，人工智能可以加速這一過程。

不知道它能否再次像AlphaFold一樣，在核聚變領(lǐng)域?qū)崿F(xiàn)驚艷全世界的新成果。

拭目以待。

（也有一些網(wǎng)友在擔(dān)心，要是控制核聚變的AI哪天想不開……）

論文地址：
?https://www.nature.com/articles/s41586-021-04301-9