当 AI 测到仪器测不到的东西

AI 在科学中的标准角色是分析仪器已采集的数据。但如果 AI 本身就是仪器呢？

在托卡马克内部，等离子体以约 1 亿度的温度循环——比太阳核心更热。没有任何东西能通过接触约束它，所以靠磁场实时塑形与重塑，使等离子体永不触及器壁。“这就像你想在很小区域控制一场风暴，还不让风暴碰到任何墙。”普林斯顿等离子体控制组研究学者 Azarakhsh（Aza）Jalalvand 几周前坐下来向我解释。

Aza 的训练是在计算机科学与 AI，而非聚变。他的博士做的是神经网络语音分析，后来扩展到图像、视频与雷达数据。他聚焦聚变几乎出于偶然：应用物理系的一位教授带着一堆聚变装置数据出现在他的数据科学实验室，征集志愿者。

Aza 发现的是一个数十年来取得显著进步、但仍因等离子体复杂非线性行为而充满挑战的领域。“物理学家把我们带了很长一段路，”Aza 告诉我。“但等离子体是极其复杂的环境，我们当前的知识与模型还不够快、不够准，无法可靠实时预测其行为，这使得监测与控制很难。也意味着我们仍大量依赖实验与试错。”

今天，研究者必须重度依赖传感器来估计等离子体状态并指导控制决策。传感器提供等离子体行为的基本测量；因为现有物理模型尚不能以足够速度与精度预测等离子体行为，不存在计算上的替代品。

但传感器会失效。

这个问题不限于聚变。任何有大量传感器的系统（卫星、产线、患者监护仪等）最终都会丢掉一个。一旦发生，依赖该读数的一切都会变差。在充分理解的系统中你可以绕过损失计算。但当底层理论无法预测系统——如等离子体——就无法算出坏掉的传感器本该读到什么。通过传感器测量曾是到达那个数字的唯一路径——直到 Aza 与同事建出了变通方案。在此过程中，他们还发现了任何仪器从未能够做出的测量。

在我们的对话中，我们谈了通向这一突破的工作、如何信任从未被记录的信号，以及当模型产生任何仪器都无法做出的测量时意味着什么。

Diag2Diag：起源与应用

“如果你对物理学家或诊断专家说：‘诊断 A 死了。有没有可能通过看诊断 B 和 C 做出它的测量？’简单回答是不行，”Aza 说。“这是对的。它们测的完全是不同东西。但对我来说，我是工程师，是数据科学家，”他说。“所有这些传感器都在看同一个系统。”

所以即便诊断 B 不测诊断 A 所测的东西，信息仍可能在那里——以没人能理解的形式分布在其他信号中。

“也许 AI 能找到这个模式，”Aza 说。“这正是机器学习与 AI 闪光之处，因为这些模型非常善于学习与利用我们理解无法解释的模式。”

模型可以从历史数据学习传感器之间的关系——前提是有足够来自所有诊断都在运行时期的数据。这意味着当一个传感器掉线时，模型可以生成其信号的合成版本。这个想法变成了 Diag2Diag（Diagnostic to Diagnostic，诊断到诊断）。

聚变反应堆携带许多诊断，各有不同分辨率。Diag2Diag 在高分辨率传感器（B 与 C）上训练，以重建慢传感器（A）的高分辨率版本——捕捉原传感器抹平的快速边缘事件。

论文描述了一个实验：给模型未见过的数据，要求重建实际被记录的信号。预测对照实际发生进行核验。

“我们可以比较并说，好，现在正确，或现在错误，或 90% 准确，”Aza 说。他补充了一个 caveat：“一个模型可以 90% 准确但有很多不确定性。那也很重要。”

就像任何硬件传感器一样，重建信号会对照已知答案检查足够多次，以建立其误差形态。通过验证后，模型用于实时实验。

即时应用是故障缓解。

“每当我们有一个维持硬件、维持传感器昂贵、耗时甚至不可能的艰难系统，”Aza 说，“合成测量就变得有趣。”

他举了火星漫游车的例子。传感器坏了，没人能轻易修好。但漫游车有该传感器与其他所有传感器多年历史，于是这些关系可被学习并用于预测缺失信号。

同一想法可用于许多场景，尤其是传感器难以到达之处，如海底、喷气发动机内部、混凝土中、轨道上或植入体内。像 AI 中的任何事一样，效果完全取决于数据。“一切取决于我们历史上收集的数据的质量与数量，”Aza 说。

AI 作为新仪器

Diag2Diag 为失效传感器而建。但传感器可以在另一种意义上“缺失”：它可以工作完美，仍告诉不了你所需——因为它的测量不够细粒度。

例如，汤姆逊散射（Thomson Scattering）是测量电子温度与密度——物理学家最关心的两个量——的诊断。它向等离子体发射激光，读取自由电子散射的光。它也不够快，无法测量研究者实际想看到的亚毫秒等离子体事件。

于是 Aza 的团队想看能否用 Diag2Diag 重建汤姆逊散射。其他快得多的诊断成为输入，汤姆逊读数成为模型学习复现的目标。不幸的是，模型只能在汤姆逊散射恰好取值的瞬间学习，而这些瞬间稀疏。这意味着多数数据无法使用。

“例如如果汤姆逊散射每 5 毫秒开火一次，训练时我们只是忽略其他诊断在毫秒 2、3、4、5 的输入数据，因为我们没有目标测量，”Aza 说。“然后我们想：训练后，如果我们给模型那些反正没有汤姆逊散射数据的输入，会发生什么？”

然而，因为那些中间时刻没有、也从未有过汤姆逊散射读数，没有东西可对照检查。

“那就是数据驱动验证停止的地方，”Aza 说。“我们不能再做任何数据验证。现在必须思考物理分析。这些测量在物理上说得通吗？”

这原来是可回答的。边缘局域模（ELM）是等离子体边缘在压力梯度超过边缘可承受时发生的喷发。Aza 向我描述缓解方法像轻拍气球：“表面压平一瞬间，然后弹回”。ELM 正是汤姆逊太慢而抓不住的东西之一；汤姆逊散射以毫秒量级采样，但 ELM 发生得更快。所以读数只是碰巧发生，且从没有足够连续次数看到事件形态。

物理学家有理论认为称为磁岛的结构抑制 ELM，并运行模拟预测岛屿形成时电子剖面应有的样子。理论没有实验确认，因为没有足够快的仪器来验证。

“我处理数据并生成一些输出，但不知道它们是否有物理意义，”Aza 告诉我。于是他交给运行模拟的物理学家，后者确认它们匹配良好。换言之，在没有任何硬件记录任何东西的时刻生成的合成测量，与模拟匹配。“这是无偏发现的很好例子，”Aza 说。

AI 不是在分析传感器已做出的观测。它实际上在产生任何传感器从未能够做出的净新观测。

这改变了什么

AI 系统已经善于回答我们知道如何问的问题。这是手吗？这个信号异常吗？这个测量的预测值是什么？但科学往往在有人注意到没人在找的东西时前进。

“这些 AI 模型在回答我们知道的问题上真的很好，有时几乎完美，”Aza 说。“但在等离子体聚变中，问题是：我们漏掉了什么？”

通常，回答我们不知道的问题需要建造新硬件以生成新数据。但这里没有，这正是这一结果如此不寻常之处。磁岛理论的证据潜伏在机器已经记录的数据中。

潜在未来应用超出等离子体，延伸到航空航天探索、机器人手术，以及任何缺失测量可能危及安全或控制的复杂工程或科学系统。

Diag2Diag 始于试图回答传感器缺失、损坏或太慢时会发生什么。但它通向更深的发现。AI 或许不仅帮助科学家分析世界，还帮助他们观测世界。

作者注：LLM 仅用于轻度文案编辑（拼写、语法与清晰度）。内容、含义、语气与结构保持不变。

本文由 RecodeX 编译自 When AI Measures What Instruments Miss（作者：Annelies Gamble），首发于 SandHill.io #302 推荐阅读。译文仅供学习交流，观点不代表本站立场，版权归原作者所有。