Science重磅：AI预测了「一次成功的」聚变点火

什么？人工智能（AI）竟然可以预测聚变点火的成功率，还登上了权威科学期刊 Science！

这听起来有点像科幻电影中的情节，但它却已经真真实实地发生了——

这一生成式机器学习模型，由美国劳伦斯利弗莫尔国家实验室构建，以超过 70% 的概率预测了美国国家点火装置（NIF）的一次聚变点火实验结果，即“成功点火”。其中，点火（ignition）是指聚变产生的能量超过用于实验的激光能量。

论文链接：www.science.org/doi/10.1126/science.adm8201

这一发现可能为未来从事惯性约束聚变（ICF）实验的研究人员提供指导。ICF 实验利用高能激光压缩并加热氢同位素胶囊，以引发产生聚变能的核反应，是能源短缺时代的一种高效能源解决方案。想象一下，把地球上最强大的激光系统对准一个微小的氢胶囊，让它释放出巨大的能量，就像掌握了微型太阳。

研究人员表示，拥有“成功的预测模型”将为聚变能研究人员提供启示，帮助他们调整实验设计，并判断未来提升激光能量及其他变量是否能够改善聚变产出与效率。

聚变点火预测，为何重要？

ICF 项目旨在利用全球最大的激光系统 NIF，压缩并加热一个含有氢同位素氘和氚（D-T）的毫米级胶囊。在压缩过程中，D-T 燃料中的核反应会释放出聚变能量。

ICF 性能的计算机模拟在 NIF 实验设计中十分重要。NIF 每年约进行十余次点火实验，研究人员必须依赖这些模拟来优化实验设计。为确保这些工作成功，需要开发出能够在实验执行前准确估算可观测目标量的预测模型。

然而，任何实际的模拟都必须通过简化假设来降低计算成本，这通常会使模拟预测与实验观察之间存在偏差。

为了减少这种偏差，以往研究人员通常在“后处理”阶段调整模型中的不确定参数，使其与实验测量结果相匹配。调整后的模型随后用于“预处理”阶段，进行小范围的外推，从而为未来的实验提供指导。

尽管手动“后处理”调参方法在设计空间内的小范围外推中证明是有效的，但仍然需要开发出具有真正预测能力的计算机模型，以便在激光系统升级或未来高产量设施设计时为决策提供支持，尤其是当这些设施将在显著不同的实验条件下运行时。由于实验数据稀缺、设计空间广阔以及模拟计算成本高昂，量化这些不确定性变得尤为困难。

研究团队此次提出的预测模型，为 ICF 实验预测建模提供了一种有前景的方法，并为其他复杂系统的驱动模型开发提供了新的框架。

AI 如何实现聚变点火预测？

在这项工作中，研究团队描述了一种基于深度学习的联合信息模型，该模型结合了模拟与实验，并考虑了多种不确定性来源。

研究团队的目标是在实验前提供聚变产量及其他关键诊断特征的定量预测，并同时考虑不确定性，结合先前收集的 NIF 数据、高保真度的物理模拟以及专家知识。该模型能够适应修改后的设计，作为未来实验决策工具，也能在设计优化研究中提供鲁棒性指标。

图｜预测拟议实验变异性的工作流程。

预测模型结合了大量模拟数据库、贝叶斯分析以及机器学习中的迁移学习技术，构建了一个同时基于实验数据和模拟数据的统计模型。该模型首先基于先前进行的 NIF 实验，使用同时基于模拟和实验的统计模型进行构建。该模型提供了一系列 NIF 实验中观察到的模型不确定性和实验间变异性的输入条件。随后，这些输入条件被应用于未来实验的拟议设计，基于先前实验生成预期结果的分布。

本研究整合了多项改进技术，用于基于数据的 ICF 实验预测建模，其中包括利用先进的高性能计算（HPC）工作流程生成的大规模模拟数据库、贝叶斯后处理分析以及机器学习中的迁移学习技术。

模型作为之前发表的贝叶斯后处理分析的扩展，量化了 2021 年至 2022 年期间进行的一系列近重复实验中的变异性。该“变异性模型”为 NIF Hybrid-E 实验的现场条件提供了预期变异性的分布，这些分布通过正在测试的设计的机器学习模型向前传播，以预测未来实验的性能变异性。

在 2022 年 9 月，NIF 首次使用 2.05 兆焦耳（MJ）的激光能量进行 ICF 实验，这比之前的 1.9MJ 激光能量有所提升。该设计实现了超过1MJ的产出，并为进一步的性能提升奠定了基础。

在预期以 2.05MJ 激光能量驱动的第二次实验中，研究人员在 2022 年 12 月的点火成功实验一周前，应用该方法预测该设计有 74% 的概率超过盈亏平衡产量，显著高于之前的任何设计。实验的实际结果与预测的置信区间完全一致，其他实验可观测量也符合预期。

此外，针对 2022 年 12 月设计的后续重复实验，其结果与预测的变异性分布一致。模型对这些变异性的准确预测，通过实验结果与预测置信区间的紧密一致性得到了验证。

图｜主要产量（性能指标）与 DSR（百分比）（约束指标）的关系。

不止聚变点火预测

研究团队对一个受控的聚变实验进行了一次定量且具有物理意义的预测，该实验实现了目标增益 >1。

该预测模型考虑到了实验场地条件中不可避免的变异性，包括激光传输和胶囊质量的波动、由实验测量不确定性引起的输入条件不确定性，以及即将进行的实验的有意设计变更。

通过将先前实验的贝叶斯分析与迁移学习结合，高效地训练新设计的替代模型，模型可以在数天内预测即将进行的实验预期结果分布。

该预测模型考虑了实验场地条件中不可避免的变异性，包括激光传输和胶囊质量波动、实验测量不确定性引起的输入条件不确定性，以及即将进行的实验的有意设计变更。通过将先前实验的贝叶斯分析与迁移学习结合，高效训练新设计的替代模型。他们能够在数天内预测即将进行的实验的预期结果分布。

这种方法为未来 NIF 实验提供了一个优化设计决策的机会，可以在可信、数据驱动的不确定性下进行。它不仅限于 ICF，也可应用于其他需要基于科学依据的外推法来确定复杂工程系统新配置的研究领域。

总体而言，这项工作提出了一种在数据稀缺条件下的预测建模方法，其应用范围远不止聚变点火。

本文来自微信公众号“学术头条”（ID：SciTouTiao），作者：小羊，36氪经授权发布。