该项目是谷歌的DeepMind和洛桑莱科尔理工学院（EPFL）的合作项目，该项目始于几年前，当时前者的人工智能研究人员和后者的融合研究人员在伦敦的一次黑客竞赛上会面。EPFL的费德里科·费利西（Federico Felici）解释了他的实验室在托卡马克中的等离子体维护问题。
每天都有这样的抱怨！然而，它引起了DeepMind的共鸣，两人开始工作。
聚变研究以多种方式进行，但它们都涉及在难以置信的高温下形成的等离子体——数亿度。听起来很危险，而且确实如此，但托卡马克是一种控制它并允许近距离观察内部发生的聚变活动的方法。它基本上是一个圆环或甜甜圈，过热的等离子体通过它绕着一个圈，它的路径被磁场小心地限制着。
明确地说，这不是一个你听说过的那种能提供几乎无限清洁能源的聚变反应堆；它不会产生能量，如果它突然启动，你不会想在附近的任何地方。它是一个研究工具，用于测试和观察这些不稳定但有希望的过程如何被控制和良好使用。
特别是，瑞士等离子体中心的“可变配置”托卡马克不仅可以容纳一个等离子体环，还可以让研究人员控制其形状和路径。通过每秒数千次调整磁参数，环可以变得更宽、更薄、更密集或更扩散，各种因素都可能影响其质量。
当然，机器磁场的精确设置必须提前确定，因为临时设置磁场的成本可能会造成严重损害。这些设置是使用托卡马克和等离子体的强大模拟器配置的，该团队多年来一直在更新该模拟器。但正如Felici在EPFL新闻稿中解释的那样：“仍然需要长时间的计算来确定控制系统中每个变量的正确值。这就是我们与DeepMind的联合研究项目的意义所在。”
这些团队首先训练了一个机器学习系统来预测一组给定设置将产生什么样的等离子体模式，然后从所需的等离子体模式反向工作，并确定将产生它的设置。（简单地说，并不是像这种人工智能应用程序那样简单地实现。）
根据今天发表在《自然》杂志上的一篇论文，这种方法取得了巨大的成功：
该体系结构在满足物理和操作约束的同时，满足了高级别规定的控制目标。这种方法在问题规范中具有前所未有的灵活性和通用性，并显著减少了生产新等离子体配置的设计工作量。我们成功地在托卡马克配置变量上生产和控制了一系列不同的等离子体配置，包括细长的常规形状，以及高级配置，如负三角形和“雪花”配置。
以下是该模型能够产生的不同形状和配置的一些示例：
这是一项重要的工作，因为用这样的等离子体进行实验——更不用说用它来发电了——需要很多很多（想想数百万）微小的调整，而这些都不能手动配置。如果一个理论需要两条流，其中一条流比另一条流大22%，那么可能需要数周或数月的时间才能找到使用“传统”方法（很明显，这些方法已经是非常复杂的数字模拟）生成的理论设置。但是人工智能可以在很短的时间内找到一个很好的匹配项，要么就在那里创建解决方案，要么给人类审计员提供一个强大的工作起点。
这对安全也很重要，因为没有人能在一两秒钟内临时设置可能包含异常的时间。但人工智能可能能够实时更改设置以防止损坏。
DeepMind研究员马丁·里德米勒（Martin Riedmiller）承认这是“早期的”，但当然，这可以说是几乎所有人工智能在科学领域的应用。机器学习被证明是一种功能强大、用途广泛的工具，适用于无数学科——但就像优秀的科学家一样，他们对每一次成功都持怀疑态度，并期待着下一个更自信的结果。