Google DeepMind 与 Commonwealth Fusion Systems 的聚变能源合作伙伴关系

Google DeepMind 已与 Commonwealth Fusion Systems（CFS）建立研究合作，旨在加速可行聚变能源的开发。合作重点是利用人工智能来稳定等离子体并优化 SPARC——一种紧凑型托卡马克装置的运行，SPARC 旨在成为首个实现“盈亏平衡”（即聚变产生的能量超过维持聚变所需能量）的磁约束聚变装置。

使用 TORAX 加速等离子体模拟

Google DeepMind 正向 CFS 提供 TORAX，这是一款基于 JAX 构建的开源可微分等离子体模拟器。该工具能够让研究人员模拟热量、电流和物质在等离子体核心中的流动，以及它们与周围系统的相互作用。

由于 TORAX 兼容 CPU 与 GPU，并且能够与 AI 驱动的模型集成，它使 CFS 能够在 SPARC 实体激活之前进行数百万次虚拟实验，以完善运行方案。CFS 物理运营高级经理 Devon Battaglia 表示：“TORAX 是一款专业的开源等离子体模拟器，为我们在搭建和运行 SPARC 的模拟环境时节省了无数时间。”

优化实现净能量的路径

实现最大聚变能量需要对众多变量进行精确调节，包括加热功率、燃料注入和磁线圈电流。为避免手动调节的低效，Google DeepMind 正使用强化学习和进化搜索等方法（如 AlphaEvolve）来部署 AI 代理。

这些代理在 TORAX 模拟中探索海量潜在运行场景，以识别出最有效且最稳健的净能量产生路径。该基础设施使 CFS 能够研究各种 SPARC 场景，例如在特定约束下最大化聚变功率或优化系统稳健性，从而在机器全面投产前提升成功概率。

AI 驱动的实时等离子体控制

Google DeepMind 正在开发一种“AI 驾驶员”，以管理托卡马克的复杂实时需求。此前的工作已证明强化学习能够控制磁场配置，而本次合作将其扩展到同时优化多项性能指标，包括聚变功率最大化和热负荷管理。

SPARC 的一个关键挑战是处理集中在机器内部小区域的巨大热量。DeepMind 正在研究强化学习代理如何学习动态控制等离子体，以有效分配热量——例如通过磁场将排放能量沿壁面扫过，以保护固体材料。该 AI 驱动的方法旨在发现比传统人工设计控制更为复杂的自适应策略，并可用于快速为特定脉冲调校传统控制算法。

对聚变能源的战略意义

此次合作将 Google DeepMind 的 AI 专长与 CFS 的高温超导磁体和硬件相结合。除了优化 SPARC 的直接目标外，愿景是为 AI 成为未来商业聚变电站核心的智能自适应系统奠定基础。这一技术合作得到 Google 对 Commonwealth Fusion Systems 更广泛投资的支持，以推动聚变技术走向商业化。