一項由 Commonwealth Fusion Systems (CFS)、普林斯頓電漿物理實驗室 (PPPL) 和橡樹嶺國家實驗室合作開發的創新人工智慧 (AI) 方法，名為 HEAT-ML，正顯著加速核融合反應爐中「磁性陰影」的識別過程。這些陰影對於保護反應爐組件免受電漿的劇烈高溫影響至關重要。HEAT-ML 採用深度神經網路，該網路已透過約 1,000 次 SPARC 模擬進行訓練，這些模擬來自 Heat flux Engineering Analysis Toolkit (HEAT)。此訓練使模型能夠在毫秒內預測陰影遮罩，即磁性陰影的三維地圖，相較於原始的 HEAT 程式碼每次模擬需時約 30 分鐘，有了大幅進步。
HEAT-ML 的主要應用在於模擬 SPARC 的一部分，SPARC 是由 CFS 正在建造的一座托卡馬克 (tokamak) 型反應爐，目標是在 2027 年前展示淨能量增益。透過精確預測電漿熱量對反應爐內部的影響位置，HEAT-ML 對於設計能夠承受這些條件的組件至關重要。這項 AI 驅動模擬的進展不僅加快了未來融合系統的設計流程，還增強了操作安全性，能夠即時調整電漿配置以預防潛在問題。此 AI 工具的開發與核融合研究中日益廣泛使用 AI 和機器學習來解決複雜科學挑戰的趨勢一致，例如合肥物質科學研究院的研究人員在 2025 年 7 月開發了 AI 系統來預測核融合反應爐中的電漿中斷和監控電漿約束狀態，並取得了高成功率。這些創新凸顯了 AI 在加速核融合能源研究方面的轉型潛力。
HEAT-ML 最初是為支援 SPARC 的設計而開發，SPARC 是一座由 CFS 建造的緊湊型托卡馬克，目標是到 2027 年實現淨能量增益。研究人員特別關注模擬 SPARC 排氣系統關鍵部分上的熱量影響，該系統位於機器底部附近的 15 個將承受極端電漿條件的磁磚。預測熱量如何與此部分相互作用，對於確保反應爐的耐用性和安全性至關重要。雖然 HEAT-ML 目前專門針對 SPARC 的設計進行了優化，但研究團隊希望將其能力擴展到適用於各種融合配置的排氣系統的通用陰影遮罩計算。