Tänk dig att du tittar på en favoritfilm när ljudet plötsligt slutar. Data som representerar ljudet saknas. Allt som finns kvar är bilder. Tänk om artificiell intelligens (AI) kunde analysera varje bildruta i videon och automatiskt tillhandahålla ljudet baserat på bilderna, genom att läsa på läpparna och notera varje gång en fot träffar marken?
Det är det allmänna konceptet bakom en ny AI som fyller i saknade data om plasma, fusionsbränslet, enligt Azarakhsh Jalalvand från Princeton University. Jalalvand är huvudförfattare till en artikel om AI, känd som Diag2Diag, som nyligen publicerades i Nature Communications.
”Vi har hittat ett sätt att ta data från en rad sensorer i ett system och generera en syntetisk version av data för en annan typ av sensor i det systemet”, säger han. Den syntetiska datan stämmer överens med data från den verkliga världen och är mer detaljerad än vad en faktisk sensor kan tillhandahålla. Detta kan öka styrningens robusthet samtidigt som komplexiteten och kostnaden för framtida fusionssystem minskar. ”Diag2Diag kan också ha tillämpningar i andra system, såsom rymdfarkoster och robotkirurgi, genom att förbättra detaljerna och återställa data från felaktiga eller försämrade sensorer, vilket säkerställer tillförlitligheten i kritiska miljöer.”
Forskningen är resultatet av ett internationellt samarbete mellan forskare vid Princeton University, det amerikanska energidepartementets (DOE) Princeton Plasma Physics Laboratory (PPPL), Chung-Ang University, Columbia University och Seoul National University. Alla sensordata som användes i forskningen för att utveckla AI samlades in från experiment vid DIII-D National Fusion Facility, en användaranläggning tillhörande DOE.
Den nya AI förbättrar forskarnas möjligheter att övervaka och kontrollera plasmat inuti ett fusionssystem och kan bidra till att framtida kommersiella fusionssystem förblir en tillförlitlig källa till elektricitet. ”Dagens fusionsanläggningar är alla experimentella laboratoriemaskiner, så om något händer med en sensor är det värsta som kan hända att vi förlorar tid innan vi kan starta om experimentet. Men om vi tänker på fusion som en energikälla måste den fungera dygnet runt, utan avbrott”, säger Jalalvand.
AI kan leda till kompakta, ekonomiska fusionssystem
Namnet Diag2Diag kommer från ordet ”diagnostik”, som avser den teknik som används för att analysera plasma och inkluderar sensorer som mäter plasma. Diagnostiken gör mätningar med jämna mellanrum, ofta med en hastighet på en bråkdel av en sekund. Men vissa mäter inte plasma tillräckligt ofta för att upptäcka särskilt snabbt föränderliga instabiliteter i plasma: plötsliga förändringar i plasma som kan göra det svårt att producera energi på ett tillförlitligt sätt.
Det finns många diagnostiska system i ett fusionssystem som mäter olika egenskaper hos plasmat. Thomson-spridning är till exempel en diagnostisk teknik som används i donutformade fusionssystem som kallas tokamaker. Thomson-spridningsdiagnostiken mäter temperaturen hos negativt laddade partiklar som kallas elektroner, samt densiteten: antalet elektroner som är packade i en rymdenhet. Den gör mätningar snabbt, men inte tillräckligt snabbt för att ge de detaljer som plasmafysiker behöver för att hålla plasmat stabilt och på topprestanda.
”Diag2Diag ger dina diagnostiska verktyg en boost utan att du behöver spendera pengar på hårdvara”, säger Egemen Kolemen, huvudforskare för projektet, som är gemensamt anställd vid PPPL och Princeton Universitys Andlinger Center for Energy and the Environment samt Department of Mechanical and Aerospace Engineering.
Översikt över Diag2Diag multimodala superupplösningsramverk. Källa: Nature Communications (2025). DOI: 10.1038/s41467-025-63492-1
Detta är särskilt viktigt för Thomson-spridning, eftersom andra diagnostiska metoder inte kan göra mätningar vid plasmans kant, även kallad piedestal. Det är den viktigaste delen av plasman att övervaka, men den är mycket svår att mäta. Genom att noggrant övervaka piedestalen kan forskarna förbättra plasmans prestanda och lära sig de bästa sätten att effektivt utvinna mest energi ur fusionsreaktionen.
För att fusionsenergi ska kunna bli en viktig del av det amerikanska energisystemet måste den vara både ekonomisk och tillförlitlig. SangKyeun Kim, forskare vid PPPL och medlem i Diag2Diag-forskarteamet, säger att AI för USA närmare dessa mål.
”Dagens experimentella tokamaker har många diagnostiska funktioner, men framtida kommersiella system kommer sannolikt att behöva betydligt färre”, säger Kim. ”Detta kommer att bidra till att göra fusionsreaktorerna mer kompakta genom att minimera komponenter som inte är direkt involverade i energiproduktionen.”
Färre diagnostiska funktioner frigör också värdefullt utrymme inuti maskinen, och förenklingen av systemet gör det också mer robust och tillförlitligt, med färre möjligheter till fel. Dessutom sänker det underhållskostnaderna.
AI-metoder för att stabilisera fusionsplasma
Forskningsteamet fann också att AI-data stöder en ledande teori om hur en metod för att stoppa plasmarstörningar fungerar. Fusionsforskare över hela världen arbetar med metoder för att kontrollera kantlokaliserade lägen (ELM), som är kraftfulla energisvängningar i fusionsreaktorer som kan skada reaktorns innerväggar allvarligt.
En lovande metod för att stoppa ELM innebär att man tillämpar resonanta magnetiska störningar (RMP): små förändringar av de magnetfält som används för att hålla plasma inuti en tokamak. PPPL är ledande inom forskning om ELM-undertryckning, med nya artiklar om AI och traditionella metoder för att stoppa dessa problematiska störningar. En teori föreslår att RMP skapar ”magnetiska öar” vid plasmans kant. Dessa öar gör att plasmatemperaturen och densiteten planar ut, vilket innebär att mätningarna blev mer enhetliga över plasmakanten.
”På grund av begränsningarna i Thomson-diagnostiken kan vi normalt inte observera denna utplaning”, säger PPPL:s huvudforskare Qiming Hu, som också arbetade med projektet. ”Diag2Diag gav mycket mer detaljerad information om hur detta sker och hur det utvecklas.”
Även om magnetiska öar kan leda till ELM, tyder allt fler forskningsrön på att de också kan finjusteras med hjälp av RMP för att förbättra plasmastabiliteten. Diag2Diag genererade data som gav nya bevis för denna samtidiga utjämning av både temperatur och densitet i plasmans piedestalregion. Detta stöder starkt teorin om magnetiska öar för ELM-undertryckning. Att förstå denna mekanism är avgörande för utvecklingen av kommersiella fusionsreaktorer.
Forskarna arbetar redan med planer på att utvidga Diag2Diags tillämpningsområde. Kolemen noterade att flera forskare redan har uttryckt intresse för att prova AI. ”Diag2Diag skulle kunna tillämpas på andra fusionsdiagnostik och är allmänt tillämpligt på andra områden där diagnostiska data saknas eller är begränsade”, sade han.
Mer information: Azarakhsh Jalalvand et al, Multimodal super-resolution: discovering hidden physics and its application to fusion plasmas, Nature Communications (2025). DOI: 10.1038/s41467-025-63492-1
