基于神经网络模拟器的实时虚拟电路用于等离子体形状控制：在MAST-U PCS中的集成与测试

该论文介绍了在MAST-U等离子体控制系统（PCS）中集成并测试神经网络模拟器驱动的虚拟电路，用于实时等离子体形状控制。系统通过实时C++推理服务器与PCS接口，返回形状预测及雅可比矩阵，进而计算虚拟电路矩阵和更新线圈电流请求，为聚变控制系统提供基于AI的形状控制组件。

这是聚变控制领域首次将神经网络模拟器集成到现有PCS架构中，并实现实时推理和闭环控制，此前类似工作多停留在离线仿真。该工作为AI算法在聚变实验中的实际部署提供了验证流程和最佳实践，有望加速AI在聚变能源控制中的应用。

神经网络模型以等离子体电流、极向场线圈电流和等离子体剖面参数为输入，预测等离子体形状及其雅可比矩阵。通过C++推理服务器实时计算虚拟电路矩阵，并据此更新线圈电流请求，实现闭环实时控制。这绕过了传统物理模型的复杂性，利用数据驱动方式快速响应。

对于聚变装置控制系统，可提升控制算法的响应速度和灵活性，降低对精确物理模型的依赖。对相关软件和硬件产品，需支持实时神经网络推理接口，可能推动边缘AI推理在工业控制中的应用，但当前仅验证于MAST-U环境，泛化性待观察。

• 为聚变和其他物理实验控制系统开发标准化的实时AI推理中间件，如基于C++的服务器，降低集成成本。
• 开发基于NN模拟器的控制仿真测试平台，供实验前参数调优和风险验证，缩短试验周期。
• 为MAST-U及未来装置提供AI形状控制咨询服务，输出最佳实践与部署工具链。

• 论文未提供实验验证数据，实际控制效果与稳定性尚不明确。
• 神经网络模型的训练数据充足性及对极端工况的鲁棒性未明确。
• 该方案在除MAST-U外的其他聚变装置上的可移植性未知。
• 实时推理延迟与计算资源需求的具体数值未在摘要中给出。