第54章 控制AI
這些步驟說起來簡單，但是光是構建模型這個步驟，放在十年前都得是搓個真的出來才行。
而現在只需要在電腦上直接生成就可以了，不然的話這種課題可就不是本科生能開的起來的了。
打開電腦後，兩人先是快速的熟悉了一下建模軟體，然後便開始分工建模。
「先構建一個傳統的約束系統出來吧。」
「好。」
分配好各自負責的模塊後，張陽和何百枝便開始分工搭建模型。
借著軟體的便捷性，很快一個完整的超導磁體組便出現在屏幕上。
之所以這麼快就搭建好了，是因為全是現成的模塊，拿過來直接拼上就好了。
「來吧，後面就是硬仗了。」
現在張陽兩人要做的就是在現有模型的基礎上做改進，來解決被動防禦的不可持續性。
先把模型放在本地的小模擬機上試運行了一下收集一波數據，然後開始改進模型。
偏濾器在反應堆內的主要作用，是將聚變產生的氦灰、雜質離子和多餘的熱量從等離子體主約束區分離並排除。
主要由偏濾器線圈、偏濾器室、靶板和粒子捕集器組成。
通過調整線圈磁場，在等離子體邊緣形成一道磁分割線，將等離子體分為兩個區域。
一個是聚變芯區也就是分割線的內側，這裡就是溫度通常達到1億℃以上，密度均勻的聚變反應區。
氘、氚原子核在這裡持續碰撞聚變，釋放出驚人的能量。
另一個就是刮削層也就是分割線的外側，是一層稀薄的等離子體過渡區。
除了芯區等離子體會因碰撞、擴散等效應少量溢出到刮削層，還有裝置壁面受到等離子體轟擊時產生的雜質也會進入到刮削層。
然後通過偏濾器線圈產生的磁場和主約束線圈的磁場疊加的方式，讓刮削層的磁場線發生彎曲，拐向下方的偏濾器室內，最終轟擊在偏濾器室內的靶板上面。
而這整個過程中的磁場位形如果發生偏差，很可能會讓粒子偏離軌道直接撞擊在核心壁面上，最終導致壁面融化甚至可能讓大量雜質混入聚變芯區。
簡單來說就是把聚變產生的垃圾通過磁場運送到靶板上面，由靶板充當接收器和散熱器，來達到為聚變芯區提供穩定乾淨的反應環境。
經過三天的努力，兩人總算是把模型改造完畢。
接下來就是無窮無盡的實驗和調整在等著兩人了。
「歇會兒歇會兒！這幾天可是把我給累壞了！」
何百枝鍵盤一推往後一靠，懶散的攤在椅子上。
「瑪德，前段時間不是剛和女神一起在實驗室里通宵來著？」
張陽笑罵著錘了一下何百枝，思考了一下後繼續說道。
「行了，你先回去休息吧，我把控制AI放進去跑跑看。」
「哦了，你加油！」
何百枝打著哈欠走出計算機室，留下張陽自己繼續努力。
主動干預型螺旋偏濾器的螺旋線圈電流控制，如果不使用AI來接管的話估計分分鐘就會失控。
畢竟這種分流方式造成的複雜的磁場環境已經不是人腦能夠處理的了。
「開始運行。」
這一版的控制AI是直接使用的常規偏濾器的控制AI作為基礎，不過常規偏濾器的磁場環境相比螺旋偏濾器的磁場環境要簡單太多了。
模擬器內的反應堆開始運行起來，很快便進入了額定運載狀態。
只見兩側綠色的數據曲線各自輕輕的跳動著，絲毫不知道即將要到來的『危機』。
5秒後，磁場均勻性偏差突破了0.5%，數據曲線已經變紅。
2秒後，靶板熱流密度突破10MW/m²，數據曲線紅得發紫。
0.5秒後，屏幕上播放了一個爆炸的動畫。
雖然早有準備，但是這個離譜的從運行到崩潰的『效率』還是讓張陽有些繃不住。
調整了一下AI的邏輯後繼續試運行。
很快一下午就過去了，改的有些頭昏腦漲的張陽搖了搖頭停止了繼續實驗。
把全程的數據導出一份發給了何百枝，然後張陽便帶著數據離開了計算機室。
目前控制AI的表現只能用災難來形容，根本無法使用。
看來自己目前的水平，想在常規控制AI的基礎上進行改進，是有些異想天開了。
先去餐廳補充了一下能量，張陽一頭扎進許久沒來的圖書館裡。
自己現在信息技術等級只有1級，想要單槍匹馬的從頭開始搭建一個控制AI模型確實有些天方夜譚。
現在只能先惡補一波AI知識再說了。
控制AI的本質是構建從感知到決策，再從決策到執行，最終反饋出結果的閉環能力。
而對於螺旋偏濾器來說，每個環節都比常規偏濾器要複雜的多。
感知層還好說，現有的高精度的數據採集已經很成熟了，可以直接拿來就用。
而整個流程中，最難最複雜的那就一定是決策了。
決策的第一步，就是把感知層收集到的各種雜亂冗餘的原始數據進行預處理。
先通過數據清洗去掉異常值和平滑噪聲，再從剩餘的數據中提煉出控制相關的特徵數據。
並且將數據轉化為便於AI識別的變化率。
比如氦灰的濃度值，可將濃度值的變化率標記為主要控制特徵，每次識別到快速上升時，則迅速進行干預。
然後第二步就來到了AI的思考框架，而這步的難點便是如何平衡『穩定性』和『適應性』。
想要處理如此複雜的系統，靠單一的方法是遠遠不夠的，必須要混合經典控制理論和智能算法。
經典控制理論適合線性的有確定性的系統，用於基礎控制，和預設不可逾越的絕對安全邊界。
主要用來防止決策失誤導致的設備損壞和安全事故。
而智能算法則適合非線性的、複雜耦合系統，通過強化學習來進行多參數聯動預測。
這樣才能讓控制AI具有靈活決策的能力，該激進的時候就激進，該保守的時候就保守。
目前常規控制AI就是卡在這個地方，發現異常後根本無法做出正確的決策，才會在不到十秒的時間內就迅速超載了。
而現在只需要在電腦上直接生成就可以了，不然的話這種課題可就不是本科生能開的起來的了。
打開電腦後，兩人先是快速的熟悉了一下建模軟體，然後便開始分工建模。
「先構建一個傳統的約束系統出來吧。」
「好。」
分配好各自負責的模塊後，張陽和何百枝便開始分工搭建模型。
借著軟體的便捷性，很快一個完整的超導磁體組便出現在屏幕上。
之所以這麼快就搭建好了，是因為全是現成的模塊，拿過來直接拼上就好了。
「來吧，後面就是硬仗了。」
現在張陽兩人要做的就是在現有模型的基礎上做改進，來解決被動防禦的不可持續性。
先把模型放在本地的小模擬機上試運行了一下收集一波數據，然後開始改進模型。
偏濾器在反應堆內的主要作用，是將聚變產生的氦灰、雜質離子和多餘的熱量從等離子體主約束區分離並排除。
主要由偏濾器線圈、偏濾器室、靶板和粒子捕集器組成。
通過調整線圈磁場，在等離子體邊緣形成一道磁分割線，將等離子體分為兩個區域。
一個是聚變芯區也就是分割線的內側，這裡就是溫度通常達到1億℃以上，密度均勻的聚變反應區。
氘、氚原子核在這裡持續碰撞聚變，釋放出驚人的能量。
另一個就是刮削層也就是分割線的外側，是一層稀薄的等離子體過渡區。
除了芯區等離子體會因碰撞、擴散等效應少量溢出到刮削層，還有裝置壁面受到等離子體轟擊時產生的雜質也會進入到刮削層。
然後通過偏濾器線圈產生的磁場和主約束線圈的磁場疊加的方式，讓刮削層的磁場線發生彎曲，拐向下方的偏濾器室內，最終轟擊在偏濾器室內的靶板上面。
而這整個過程中的磁場位形如果發生偏差，很可能會讓粒子偏離軌道直接撞擊在核心壁面上，最終導致壁面融化甚至可能讓大量雜質混入聚變芯區。
簡單來說就是把聚變產生的垃圾通過磁場運送到靶板上面，由靶板充當接收器和散熱器，來達到為聚變芯區提供穩定乾淨的反應環境。
經過三天的努力，兩人總算是把模型改造完畢。
接下來就是無窮無盡的實驗和調整在等著兩人了。
「歇會兒歇會兒！這幾天可是把我給累壞了！」
何百枝鍵盤一推往後一靠，懶散的攤在椅子上。
「瑪德，前段時間不是剛和女神一起在實驗室里通宵來著？」
張陽笑罵著錘了一下何百枝，思考了一下後繼續說道。
「行了，你先回去休息吧，我把控制AI放進去跑跑看。」
「哦了，你加油！」
何百枝打著哈欠走出計算機室，留下張陽自己繼續努力。
主動干預型螺旋偏濾器的螺旋線圈電流控制，如果不使用AI來接管的話估計分分鐘就會失控。
畢竟這種分流方式造成的複雜的磁場環境已經不是人腦能夠處理的了。
「開始運行。」
這一版的控制AI是直接使用的常規偏濾器的控制AI作為基礎，不過常規偏濾器的磁場環境相比螺旋偏濾器的磁場環境要簡單太多了。
模擬器內的反應堆開始運行起來，很快便進入了額定運載狀態。
只見兩側綠色的數據曲線各自輕輕的跳動著，絲毫不知道即將要到來的『危機』。
5秒後，磁場均勻性偏差突破了0.5%，數據曲線已經變紅。
2秒後，靶板熱流密度突破10MW/m²，數據曲線紅得發紫。
0.5秒後，屏幕上播放了一個爆炸的動畫。
雖然早有準備，但是這個離譜的從運行到崩潰的『效率』還是讓張陽有些繃不住。
調整了一下AI的邏輯後繼續試運行。
很快一下午就過去了，改的有些頭昏腦漲的張陽搖了搖頭停止了繼續實驗。
把全程的數據導出一份發給了何百枝，然後張陽便帶著數據離開了計算機室。
目前控制AI的表現只能用災難來形容，根本無法使用。
看來自己目前的水平，想在常規控制AI的基礎上進行改進，是有些異想天開了。
先去餐廳補充了一下能量，張陽一頭扎進許久沒來的圖書館裡。
自己現在信息技術等級只有1級，想要單槍匹馬的從頭開始搭建一個控制AI模型確實有些天方夜譚。
現在只能先惡補一波AI知識再說了。
控制AI的本質是構建從感知到決策，再從決策到執行，最終反饋出結果的閉環能力。
而對於螺旋偏濾器來說，每個環節都比常規偏濾器要複雜的多。
感知層還好說，現有的高精度的數據採集已經很成熟了，可以直接拿來就用。
而整個流程中，最難最複雜的那就一定是決策了。
決策的第一步，就是把感知層收集到的各種雜亂冗餘的原始數據進行預處理。
先通過數據清洗去掉異常值和平滑噪聲，再從剩餘的數據中提煉出控制相關的特徵數據。
並且將數據轉化為便於AI識別的變化率。
比如氦灰的濃度值，可將濃度值的變化率標記為主要控制特徵，每次識別到快速上升時，則迅速進行干預。
然後第二步就來到了AI的思考框架，而這步的難點便是如何平衡『穩定性』和『適應性』。
想要處理如此複雜的系統，靠單一的方法是遠遠不夠的，必須要混合經典控制理論和智能算法。
經典控制理論適合線性的有確定性的系統，用於基礎控制，和預設不可逾越的絕對安全邊界。
主要用來防止決策失誤導致的設備損壞和安全事故。
而智能算法則適合非線性的、複雜耦合系統，通過強化學習來進行多參數聯動預測。
這樣才能讓控制AI具有靈活決策的能力，該激進的時候就激進，該保守的時候就保守。
目前常規控制AI就是卡在這個地方，發現異常後根本無法做出正確的決策，才會在不到十秒的時間內就迅速超載了。