AI 代理建模实现托卡马克平衡实时预测：神经架构基准测试及 EXL-50U 验证

arXiv 论文《AI Surrogate Modeling for Real-Time Tokamak Equilibrium Prediction》提出 AI 代理框架，用 MLP、CNN、FNO、Transformer、KAN 五种架构在 10 万 IID 和 1 万 OOD 样本的数值 GS 数据库上基准测试，并在 EXL-50U 托卡马克上验证。代理误差为 10^-3 至 10^-2，CNN 在精度、鲁棒性和速度上平衡最佳，TensorRT 延迟 0.7 毫秒。CNN 和 FNO 在未知等离子体几何上外推误差 4%-5%。

传统 Grad-Shafranov 求解器不适合实时部署，该工作系统对比五种 AI 架构，在统一协议下评估准确率、速度、扩展性和鲁棒性，并进行设备级验证，为选择可靠代理模型提供实用指导，可能加速托卡马克实时控制系统的研发。

AI 代理模型通过训练学习 GS 方程的输入-输出映射，从而在毫秒级内预测等离子体平衡。不同架构的归纳偏置影响外推能力，CNN 和 FNO 因更适合物理结构而表现稳定。规模化数据与模型容量可提升插值性能，但不必然改善外推，揭示容量与 OOD 泛化的权衡。

对托卡马克控制系统产品，可部署 TensorRT 优化的 CNN 模型实现实时平衡预测，替代传统求解器，降低计算延迟至 0.7 毫秒，提升控制响应速度。但需注意 OOD 泛化限制，模型可能无法覆盖所有未知运行参数。

• 基于 CNN 代理模型开发实时等离子体平衡预测模块，集成到托卡马克控制系统中以替代部分 GS 求解调用。
• 利用该基准协议评估自研 AI 代理模型，建立针对不同运行参数的模型选择指南。
• 探索将代理模型与形状参考编辑器结合，用于实时判断设备一致性，优化控制策略。

• EXL-50U 设备级验证的具体流程和指标未在摘要中详细说明，实际部署的可靠性尚待进一步证据。
• 此外，代理模型在极端等离子体参数或故障条件下的表现未明确，需要额外测试数据。