核聚變能源長期被視為人類未來最理想的清潔能源，然而其商業化進程始終面臨重重阻礙。其中最棘手的問題之一，是如何在控制成本的同時精準監測反應堆內數億攝氏度的高溫等離子體。傳統方案依賴數百種高精度傳感器，單套設備價格便高達數百萬美元，這讓聚變堆的建設成本居高不下。
近日，普林斯頓大學研究團隊開發的AI診斷系統Diag2Diag為這一難題提供了創新解決方案。該系統通過分析現有傳感器的數據，能夠推算出其他高成本設備才能獲取的監測結果。研究人員利用美國能源部設施積累的海量實驗數據訓練AI，使其掌握了不同等離子體參數間的隱藏關聯。例如，當甲傳感器監測溫度、乙傳感器監測密度時，AI可通過分析這些零散數據，精準計算出丙傳感器才能提供的讀數，且精度超越實物設備。
項目首席科學家指出，這項技術的核心價值在于“無需增加硬件即可擴展功能”。傳統聚變實驗中，缺失某個傳感器就像失去一只觀察的眼睛，而AI系統則能通過有限設備構建完整的數據網絡。這種突破不僅降低了建設成本，更使聚變堆的設計得以小型化，為商業化鋪平道路。
在聚變反應堆中，等離子體邊緣的基座區域堪稱“定時炸彈”。該區域溫度密度變化極快，一旦失控會引發邊緣局域模式（ELM），其釋放的能量足以摧毀反應堆內壁。然而，現有監測設備如湯姆遜散射儀的反應速度根本無法匹配這種瞬時變化。Diag2Diag的出現恰好填補了這一空白——它僅需少量傳感器數據，就能實時生成邊緣區域的溫度與密度分布圖，相當于為反應堆安裝了“預警雷達”。
更令人驚喜的是，AI系統還承擔了理論驗證的角色。科學家曾推測通過調整磁場形成的磁島結構能夠抑制ELM現象，但受限于傳統監測設備的精度，始終無法證實這一假設。如今，AI生成的詳細數據清晰展現了磁島結構對等離子體穩定性的影響，為理論研究提供了直接證據。參與研究的胡啟明研究員表示：“我們終于看清了背后的物理機制。”
對于商業化聚變堆而言，Diag2Diag的意義遠不止于降低成本。當傳感器發生故障時，AI系統可立即補全數據缺口，確保反應堆持續穩定運行。這種“降本+穩靠”的雙重優勢，正是能源企業最看重的運營特性。目前，該技術已引發跨領域關注，研究團隊透露，航天器狀態監測、機器人精密手術等需要高精度數據支持的場景，均可能成為其應用方向。已有多家機構表達合作意向，試圖將這項源于核聚變研究的技術推廣至更廣泛的工業領域。
