托卡马克等离子体磁约束控制
控制器先在托卡马克仿真模型中训练，随后部署到真实装置上，通过实时指令磁线圈来塑造等离子体位形， 包括难度较高的双雪花（double snowflake）位形。
工程意义：它完整演示了工程团队关心的闭环——基于物理的仿真器训练、仿真到真实的迁移、 以及在真实硬件上的实时闭环控制。
标签: 聚变强化学习控制等离子体能源
相关条目
- HydroGym：强化学习流体控制平台 · 面向流动控制的开源强化学习平台，集成 6 类 CFD 求解器后端与数十个预配置环境，用 RL 训练出的控制策略在机翼上实现零样本部署，显著降低表面摩擦阻力。
- 物理信息 CNN 预测电池包温度场 · 将热传导方程以有限差分形式写入损失函数的物理信息卷积神经网络，作为电池包液冷系统温度场代理模型，在同等训练数据下精度优于纯数据驱动方法。
- MACE-MP-0：原子尺度通用机器学习势 · 基于等变图神经网络的通用原子间势基础模型，在 15 万无机晶体公开数据上训练，开箱即可对固体、液体、气体与化学反应运行稳定分子动力学，并可少量数据微调至第一性原
- TopoDiff：扩散模型驱动的拓扑优化 · MIT 提出的条件扩散模型拓扑优化方法，用代理模型引导生成过程同时兼顾力学性能与可制造性，在柔度误差与不可行样本比例上大幅优于同类 GAN 方法。
- 如何使用 AI Agent 为仿真准备 3D 场景 · NVIDIA 介绍利用 Agentic AI 工作流为物理 AI 系统准备和验证数字孪生的方法，Agent 可检查 3D 场景并生成仿真相关数据。