DeepMind在蛋白质折叠问题上实现巨大打破后，目标又转向核聚变了。
最近，它开拓出了天下上第一个深度强化学习AI——可以在仿照环境和真正的核聚变装置（托卡马克）中实现对等离子体的自主掌握。
陌生名词不要急，后面立时阐明。
这比传统的打算机掌握要更高效且精准，成果登上本日的Nature。
作为强化学习最具有寻衅性的一个运用，这一成果也对加速可控核聚变有很大意义。
用强化学习掌握核聚变反应核聚变是未来最有潜力的清洁能源：只靠一个原子核就能产生巨大能量，除了相对少量的放射性废物（可在一个世纪内分解），不会产生任何温室气体。
但要在地球上实现这一反应无比困难，须要制造一个极度高温和高压的条件，在个中创建一个由裸原子核组成的“等离子体”。
磁约束聚变装置——托卡马克（tokamak），是最有希望的一个实现方法。
它是一个环形反应堆，可以在超过1亿摄氏度的环境下把氢加热（superheat）成等离子体的状态。
△ 托卡马克内部图
由于等离子体温度太高，任何材料都无法容纳，要通过强大的磁场将它悬浮在托卡马克内部。
在操作磁线圈时必须非常仔细，由于一旦碰钉子，就可能导致容器破坏，并减缓聚变反应。
而一个托卡马克装共有19个磁线圈，一秒须要调度线圈及其电压数千次。
传统的装置中，每个线圈配备单独的掌握器。
每当研究职员想要改变等离子体的构造，考试测验不同的形状以产生更高的能量时，就须要大量的工程和设计事情。
DeepMind这个强化学习系统则可以一次掌握全部19个线圈，并精确操纵等离子体自主呈现各种形状，呈现产生科学家们一贯在探索的更高能量的新配置：
比如下图中第二个“负三角”以及第四个“雪花”（这个形状可以通过将废能量分散到托卡马克壁上的不同打仗点来降落冷却本钱）。
以及第一个“droplets”，这也是第一次在托卡马克内同时稳定两个等离子体。
这个AI系统由DeepMind和瑞士洛桑联邦理工学院等离子体中央的物理学家共同完成。
瑞士中央的一位成员表示：“这里面有的形状已经逼近装置的极限，很可能对系统造成破坏，如果不是AI给的信心，我们可能不会冒这个险。”
这个AI是在仿照器中通过反复试验来演习的。
在核聚变研究中，仿照器非常有必要，由于目前运行的反应堆一次只能坚持等离子体最多几秒钟，之后须要韶光来重置。
不过一个问题是：该仿照器并没有准确捕获真实托卡马克中存在的所有变量，能迁移到真正的托卡马克上吗？
对此，DeepMind研究员表示，通过用随机数表示足够演习出一个灵巧的AI。
另一个问题是：为了保持对托卡马克内部等离子体的掌握，掌握算法必须能够做出极快的决定，在短短几秒钟内对磁场进行调度。但许多人工智能系统在如此高速的环境下须要很永劫光才能做出预测。
为此，该团队先演习了一个大型神经网络，它可以对磁场的变革如何塑造等离子体进行长程预测（longer-term prediction）。
然后用这个网络来演习一个远小得多的系统，学习实行第一个网络所推举的决策的最佳方法。
这个较小的网络能与托卡马克掌握系统直接交互，在不到50微秒（50百万分之一秒）的韶光内做出决定。
末了，作者表示，虽然这个成果意义非凡，但只是朝着人类实现可控核聚变迈出了一小步。
比如实现一秒钟的实时运行须要仿照托卡马克数小时的韶光，而它的条件每天都可能发生变革，算法还需各方面改进。
此外，还要看现在这个别系能否转移到更大的托卡马克装置中。
聚变能源何时实现商用还很难说，但DeepMind断言，人工智能可以加速这一过程。
不知道它能否再次像AlphaFold一样，在核聚变领域实现惊艳全天下的新成果。
拭目以待。
（也有一些网友在担心，假如掌握核聚变的AI哪天想不开……）
论文地址：https://www.nature.com/articles/s41586-021-04301-9
参考链接：[1]https://venturebeat.com/2022/02/16/deepmind-applies-ai-to-controlling-nuclear-fusion-reactors/
[2]https://fortune.com/2022/02/16/deepmind-ai-nuclear-fusion-reactor-control/