核聚变能源长期被视为人类未来最理想的清洁能源，然而其商业化进程始终面临重重阻碍。其中最棘手的问题之一，是如何在控制成本的同时精准监测反应堆内数亿摄氏度的高温等离子体。传统方案依赖数百种高精度传感器，单套设备价格便高达数百万美元，这让聚变堆的建设成本居高不下。
近日，普林斯顿大学研究团队开发的AI诊断系统Diag2Diag为这一难题提供了创新解决方案。该系统通过分析现有传感器的数据，能够推算出其他高成本设备才能获取的监测结果。研究人员利用美国能源部设施积累的海量实验数据训练AI，使其掌握了不同等离子体参数间的隐藏关联。例如，当甲传感器监测温度、乙传感器监测密度时，AI可通过分析这些零散数据，精准计算出丙传感器才能提供的读数，且精度超越实物设备。
项目首席科学家指出，这项技术的核心价值在于“无需增加硬件即可扩展功能”。传统聚变实验中，缺失某个传感器就像失去一只观察的眼睛，而AI系统则能通过有限设备构建完整的数据网络。这种突破不仅降低了建设成本，更使聚变堆的设计得以小型化，为商业化铺平道路。
在聚变反应堆中，等离子体边缘的基座区域堪称“定时炸弹”。该区域温度密度变化极快，一旦失控会引发边缘局域模式（ELM），其释放的能量足以摧毁反应堆内壁。然而，现有监测设备如汤姆逊散射仪的反应速度根本无法匹配这种瞬时变化。Diag2Diag的出现恰好填补了这一空白——它仅需少量传感器数据，就能实时生成边缘区域的温度与密度分布图，相当于为反应堆安装了“预警雷达”。
更令人惊喜的是，AI系统还承担了理论验证的角色。科学家曾推测通过调整磁场形成的磁岛结构能够抑制ELM现象，但受限于传统监测设备的精度，始终无法证实这一假设。如今，AI生成的详细数据清晰展现了磁岛结构对等离子体稳定性的影响，为理论研究提供了直接证据。参与研究的胡启明研究员表示：“我们终于看清了背后的物理机制。”
对于商业化聚变堆而言，Diag2Diag的意义远不止于降低成本。当传感器发生故障时，AI系统可立即补全数据缺口，确保反应堆持续稳定运行。这种“降本+稳靠”的双重优势，正是能源企业最看重的运营特性。目前，该技术已引发跨领域关注，研究团队透露，航天器状态监测、机器人精密手术等需要高精度数据支持的场景，均可能成为其应用方向。已有多家机构表达合作意向，试图将这项源于核聚变研究的技术推广至更广泛的工业领域。
