本站讯  近日，山东大学威海前沿交叉科学研究院刘健教授团队与中国科学院等离子体物理研究所合作，在聚变装置安全运行的智能监测研究方面取得进展。研究团队基于深度学习技术，成功开发出EAST-YOLO智能检测算法，显著提升了EAST托卡马克装置内部组件热损伤的检测精度和实时性，为聚变装置的安全运行提供了重要技术保障。相关成果以“Thermal damage detection of EAST internal component based on machine learning”为题，发表于科学智能交叉领域期刊《MACHINE LEARNING: Science and Technology》。中国科学技术大学博士生管中放为论文第一作者，山东大学刘健教授为论文通讯作者，中国科学院等离子体物理研究所张斌副研究员、钱金平研究员为主要合作作者。

在托卡马克聚变实验中，等离子体与第一壁等内部组件的相互作用会产生强烈的热负荷，导致材料溅射、起泡和侵蚀等损伤现象。传统的损伤检测方法主要依赖人工观察视频和温度数据，不仅耗时费力，而且难以实现连续的实时监测，存在误判风险，影响装置的安全运行和实验效率。针对EAST装置内部组件热损伤检测的实际需求，研究团队利用EAST装置四套红外-可见光内窥镜系统收集的数据，基于YOLOv8框架开发了专用的EAST-YOLO算法。该算法在原有基础上进行了两项关键改进：一是引入P2检测层，将检测层扩展至四层，通过160×160像素的高分辨率特征图提供8倍下采样信息，显著提升了对早期小目标热点的识别能力；二是在骨干网络中集成卷积块注意力模块（CBAM），通过通道注意力和空间注意力机制，增强了模型对关键特征的捕获和利用能力。

在实际应用测试中，当其他YOLOv8模型将主限制器上的单个热点错误识别为两个目标时，EAST-YOLO能够准确判断并识别清晰边界。该模型在杂质干扰、小初始热点出现和反射干扰等复杂环境下均表现出优异的抗干扰性能。

实验结果表明，EAST-YOLO可以适应不同条件放电的复杂环境，有较高的鲁棒性，且在各项性能指标上均显著优于传统YOLOv8模型，实现了97.5%的精确度、97.7%的mAP50和94.0%的召回率，推理时间仅为7.9毫秒，完全满足实时检测的工程需求。

这项研究首次证明了基于深度学习的人工智能技术能够有效辅助EAST放电过程中内部组件的实时损伤检测，标志着聚变装置安全监测从传统人工检测向智能化自动检测的重要转变。该技术的成功应用不仅显著提高了EAST装置的运行安全性和稳定性，也为其他托卡马克装置如WEST、ITER和DIII-D的智能化监测提供了重要参考。

通过将深度学习技术与聚变物理研究深度融合，研究团队成功实现了从被动监测向主动预警的重要转变，为确保聚变装置的安全稳定运行提供了坚实的技术保障。展望未来，随着人工智能技术的持续发展和应用场景的不断拓展，这类智能化监测技术必将在更多聚变装置中得到广泛应用，为人类早日实现清洁、安全、可持续的聚变能源梦想贡献重要力量。这一成果不仅是科技创新的胜利，更是科学智能造福人类的生动实践，为构建更加美好的未来能源体系奠定了坚实基础。该研究成果获国家磁约束聚变能发展计划、中国科学院青年创新促进会、中国科学院战略性先导科技专项、安徽省重大科技专项、国家自然科学基金的支持。

原文链接：https://doi.org/10.1088/2632-2153/addbc2

科学智能作为人工智能与基础科学深度融合的新兴交叉领域，通过学科融合加速科学发现、破解复杂性科学问题、驱动科研范式变革、并促进人工智能的持续发展。科学智能在处理复杂系统问题方面展现出独特优势与广阔前景，对基础研究及重大应用具有重要的价值。在数学、物理学、计算科学、化学、生物学等各基础研究领域以及聚变能、深空探测、先进制造等战略应用方向，科学智能受到越来越多的重视。许多国家大科学装置与国际大科学计划正积极推进数字化、智能化平台建设。无论从物质科学和信息科学的角度，科学智能都是蓬勃发展的前沿方向。