AI驱动的聚变版全自动驾驶:EnableFusion发布《软件定义聚变白皮书》

聚变时讯

①SDF不取代现有系统

SDF不会取代ITER CODAC等现有聚变控制系统。该方案在经充分验证的硬件与中间件基础之上，新增原生AI（AI-Native）运营层，作为“插件覆盖层（Plug-in Overlay）”发挥作用；同时，可移除或简化仅在研发阶段必需的组件，最终形成经过商业运营优化的更为精简的系统框架。

②SDF所解决的痛点

当前，聚变运营的核心能力依托于少数专家的经验与直觉，属于难以记录、难以复现、难以转移的隐性知识（Tacit Knowledge）。SDF可将此类隐性知识系统化植入AI模型与数字孪生体系，将其转化为不依赖特定个人的组织级资产。操作员仅需输入目标，AI即可完成运行模式的设计，并以毫秒级精度执行控制流程。这便是SDF的最终产品目标：“聚变版全自动驾驶”。

①用户界面层

-聚变领域大语言模型（Fusion LLM）：通过自然语言理解操作员指令，并作为双向沟通渠道反馈状态。

-视觉数字孪生（Visual DT）：3D可视化界面，实时监控装置与等离子体状态。

②聚变版全自动驾驶多智能体层

-编排智能体（Orchestrator Agent）：顶层控制者，负责任务分解与协调，当AI置信度低或接近安全边界时，请求人类接管。

-规划智能体（Planning Agent）：在虚拟环境中反复模拟，设计出达成目标的最优方案。

-等离子体主动控制智能体（PAC Agent）：实时控制执行者，以毫秒间隔生成控制信号，进行破裂预测与规避。

③引擎数字孪生层

-物理增强代理模型（Physics-Enhanced Surrogate Model）：基于物理信息机器学习（PIML），在尊重物理定律的前提下进行比实时更快的预测。

-合成诊断/执行器（Synthetic Diagnostics/Actuators）：在软件中模拟真实硬件的行为。

-AI校准智能体（AI Calibration Agent）：离线检测并修正数字孪生与实际设备的偏差，防止模型漂移。

①基于物理信息机器学习（PIML）的控制：将物理约束（守恒定律、稳定性范围）内嵌于模型结构中，杜绝违反物理规律的控制指令。

②不确定性感知控制：不只看单一预测值，而是结合置信区间进行决策；置信度低时保守运行，置信度高时激进优化。

③容错自治：

-异常检测：实时监控并标记分布外（Out-of-distribution）的情况。

-回退策略（Fallback）：主策略失效时，预验证的简单控制器接管。

-安全关机AI：针对异常退化情况，执行安全停机程序。

-AI虚拟诊断：当物理诊断设备失效时，通过其他渠道合成数据，维持态势感知。

降低运营成本：从依赖专家的人工操作转向自主运营，结构性降低人力、停机与故障成本。

加速调试：先在仿真中验证数千次场景，再上真机，大幅降低试错的时间、成本与风险。

降低硬件成本：软件能补偿的部分不再需要昂贵的硬件，更廉价的设备也能达到同等性能。

逆向设计（Backward Design）：利用积累的数据和数字孪生，先定义目标性能，再反推所需的最小硬件规格。

①2026-2027年（基础阶段）：核心组件开发与DT-First验证

重点推进引擎数字孪生层第一版（Engine DT v1）的开发工作；同步开展聚变领域大语言模型（Fusion LLM）首个版本的训练任务；完成规划智能体（Planning Agent）与等离子体主动控制智能体（PAC Agent）的Alpha级集成工作。

②2028-2029年（集成阶段）：多装置适配（KSTAR与DIII-D集成）与FSD模式演示

重点完成EPICS插件适配器的开发工作，在KSTAR与DIII-D两大主流装置上完成系统集成，实现端到端场景演示，完成扰动预测（Disruption Prediction）功能集成，并成功实现聚变版全自动驾驶（FSD）模式放电演示。

③2029年之后（部署阶段）：商业化精简版与逆向设计上线

完成面向商业电站的“精简版（Commercial-Lean）”变体的基准部署工作；推出硬件逆向优化框架（Hardware Inversion Framework）Alpha版，并交付符合商业聚变电站运营标准与许可要求的完整授权认证包（Licensing Package）。