(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211458248.3 (22)申请日 2022.11.21 (71)申请人 中国科学院合肥物质科 学研究院 地址 230031 安徽省合肥市庐阳区三十岗 乡古城路181号 (72)发明人 万晨光　刘晓娟　于治　李建刚　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 专利代理师 江亚平 (51)Int.Cl. G06F 30/27(2020.01) (54)发明名称 一种托卡马克磁场最外闭合磁面的建模方 法 (57)摘要 本发明公开了一种托卡马克磁场最外闭合 磁面的建模 方法， 该方法基于一维移动窗口自注 意力机制的机器学习模型， 可以进行离线和在线 的托卡马克磁场最外闭合磁面建模。 该一维移动 窗口自注意力机制机器学习模型至少包括相对 位置编码层， 一维移动窗口自注意力计算层， 基 于一维卷积神经网络的嵌入层。 本发 明实现了离 线的超长时间序列的整个托卡马克放电过程的 磁场最外闭合磁面预测和在线的一步提前的托 卡马克磁场最外闭合磁面预测。 本发 明可以与实 验提案系统耦合进行托卡马克实验提案设计， 供 托卡马克实验提案人员检查提案的有效性和合 理性。 本发 明同时也可用于辅助托卡马克的高精 度磁场实时控制。 权利要求书1页 说明书6页 附图6页 CN 115510768 A 2022.12.23 CN 115510768 A 1.一种托卡马克磁场最外闭合磁面的建模方法， 其特征在于， 基于一维移动窗口自注 意力机制的机器学习模型构建离线和在线的托卡马克磁场最外闭合磁面的建模模型， 具体 包括如下步骤： 步骤1、 原始数据获取： 获取托卡马 克的原始控制器数据和实际的托卡马 克磁场的测量 值的原始数据； 步骤2、 进行机器学习模型训练： 使用托卡马 克装置实际的测量输出和机器学习模型的 预测输出构建并计算损失函数， 而后利用损失函数计算出的损失使用误差反向传播方法训 练所述机器学习模型； 在线的托卡马克磁场最外闭合磁面的建模模型和离线的托卡马克磁 场最外闭合磁面的建模模型是两个不同的模型， 使用Parzen树估计技术， 优化模型的超参 数最终得到在线的托卡马克磁场最外闭合磁面的最优建模模型和离线的托卡马克磁场最 外闭合磁面的最优建模 模型； 步骤3、 进行机器学习模型和托卡马 克控制器的耦合控制： 利用在线的机器学习模型预 测控制命令所能预测下一步托卡马克磁场的表现， 而后利用该磁场表现优化下一步的控制 命令。 2.根据权利要求1所述的一种托卡马 克磁场最外闭合磁面的建模方法， 其特征在于， 所 述基于一 维移动窗口自注意力机制的机器学习模型通过相对位置编 码层、 基于一 维移动窗 口自注意力机制的核心层和最后的线性层实现。 3.根据权利要求1所述的一种托卡马 克磁场最外闭合磁面的建模方法， 其特征在于， 所 述损失函数 是一个同时掩码通道有效性和序列有效长度的均方误差损失函数。 4.根据权利要求2所述的一种托卡马 克磁场最外闭合磁面的建模方法， 其特征在于， 所 述相对位置编 码层利用正弦函数将原始的位置映射到正弦函数的输出值， 而后 将输出值和 原始序列求和得到嵌入相对位置编码的序列。 5.根据权利要求4所述的一种托卡马 克磁场最外闭合磁面的建模方法， 其特征在于， 所 述基于一 维移动窗口自注意力机制的核心层将所述序列按照窗口大小分割成多个子序列， 而后在窗口内进行自注意力计算， 再移动窗口， 移动窗口时， 最后一个窗口使用掩码自注 意 力； 使用基于一维卷积神经元 的嵌入层， 利用所述嵌入层将序列的深度随着计算层数 的增 加而逐步加深。 6.根据权利要求1所述的一种托卡马 克磁场最外闭合磁面的建模方法， 其特征在于， 所 述离线的托卡马克磁场最外闭合磁面的建模模型使用等离子体形状前馈， 极向场线圈电流 前馈， 极向场线圈电压， 等离子电流前馈作为机器学习建模模型的输入数据， 并在1秒内计 算出托卡马克放电全过程的托 卡马克磁场最外闭合磁面。 7.根据权利要求1所述的一种托卡马 克磁场最外闭合磁面的建模方法， 其特征在于， 所 述在线的托卡马克最外闭合磁面的建模模型使用等离子体形状前馈， 极向场线圈电流前 馈， 极向场线圈电压， 等离子电流前馈， 容器内感应电流和当前时刻的磁场测量值作为模型 的输入数据， 并在1毫秒内计算出 下一步的托卡马克磁场最外闭合磁面。权　利　要　求　书 1/1 页 2 CN 115510768 A 2一种托卡马克磁场最外闭合磁面的建模方 法 技术领域 [0001]本发明属于机器学习和托卡马克物理领域， 具体涉及一种托卡马克最外闭合磁面 的建模方法。 背景技术 [0002]热核聚变能是清洁且可持续能源的理想形式之一， 有可能满足未来的能源需求， 同时具有内在的安全性和潜在 满足接近无限的能量生产特性。 托卡马克是一种先进的磁约 束聚变装置， 用于产生受控的热核聚变能量。 托卡马克实验研究的一项核心便是控制约束 等离子体所需的磁场分布。 特别是对于目前开发出 的磁场高级配置， 因为由此产生的磁场 分布是由复杂的、 有时是不可预测的等离子体状态和广泛的致动器输入的相互作用决定 的。 所以迫切地需要一种高精度、 快速的磁场重建工具来开 发稳健的且准确的磁控制策略。 从物理的角度研究该时变、 非线性、 多时空尺度， 高维任务的方法是求解一系列逆问题， 以 预先计算一组执行器线圈 （极向场线圈等） 电流和电压。 然后根据模拟代码 （EFIT， LIUQUE 等） 对托卡马克等离子体平衡的实时估计， 相应地调制致动器线圈电压。 虽然这些物理模拟 代码通常是有效的， 但是一旦托卡马克磁场配置改变， 这些物理模拟代码便需要大量的物 理学家努力、 设计和专 业知识来重新标定代码 。 通过利用机器学习  (ML) 和人工智能  (AI)  方法， 可以高保真地估计 磁场的时间演化。 [0003]然而利用机器学习研究磁场建模和重建也有一些特有问题。 托卡马克的磁场控制 数据均是时间序列数据， 而目前的托卡马克实验已经迈入了千秒量级， 按照1 kHz的采样率 进行计算， 需要进行超过1 ×106长度的时间序列建模。 从机器学习的角度来说， 机器学习的 时序序列建模主要有以下三种方法， 多层感知器 （MLP） ， 循环神经网络 （RNN） 以及其变体， Transformer模型。 MLP模型由于无法直接建模时序特性， 一般进行时序建模的时候准确率 受限。 RNN模型的计算复杂度为 O(nd2)， 也可以传递时序信息但是由于RNN一般都是近邻信 息传递， 会有梯度和信息消失的问题， 造成实际使用的时候精度也不是很高。 基于自注意力 机制的 Transformer  模型是目前最先进的模型， 在自然语言处理， 时序预测等各个方面都 取得了先进的成果。 然而， 对于目前的超长时间序列建模问题， 由于Transformer模型的计 算复杂度为 O(n2d)， 在该计算复杂度的前提下对于长度超过1000的序列计算时间一般都会 超过实际可接受的范围， 而目前托卡马克所产生的序列长度超过1 ×106， 原始Transformer 模型的计算时间对于托 卡马克的序列建模而言是 无法接受的。 [0004]现有技术中几乎没有用于托卡马克磁场建模的专利申请， 现有的文献也多使用磁 场建模代码进行托卡马克磁场建模研究。 目前这些研究由于托卡马克系统非线性， 多时空 尺度， 多物理特征， 广泛的磁场执行器输入， 内部等离子体的复杂特性， 在多个特征的耦合 下使得基于物理过程的模拟代码建模的模型难以高保真地， 快速地进 行长时间尺度的全过 程托卡马克磁场最外闭合磁面 地重建。说　明　书 1/6 页 3 CN 115510768 A 3