据澎湃，7月26日，DeepMind表示，去年和瑞士等离子体中心合作利用人工智能成功控制了托卡马克内部的核聚变等离子体。“自那时起，我们的实验已经将等离子体形状的模拟精度提高了65%。”相关研究7月21日提交在预印本网站ArXiv上，论文题为《面向托卡马克磁控制的实用强化学习》。
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
在此次研究中，研究团队将重点放在策略准确性和整体训练速度上，解决了强化学习方法的主要缺点，包括对所需的等离子体特性实现更高的控制精度、减少稳态误差、减少学习新任务所需时间，提出了对智能体架构和训练过程的算法改进。模拟结果显示，等离子体形状精度提高了65％，大大减少了等离子体电流的长期偏置，将学习新任务所需的训练时间减少3倍甚至更多。
研究团队表示，虽然这些结果显著降低了强化学习控制器的局限性，但还有很大改进空间。未来不仅需要提高模拟性能，还需要在硬件上匹配实际等离子放电时的性能水平，目前模拟和硬件之间的精度差距几乎主导了模拟中任何剩余的改进。同样，有许多机会可以继续减少训练所需的时间。
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
