當地時間 8 月 14 日，Science刊登了一項突破性論文——美國勞倫斯利弗莫爾國家實驗室（LLNL，Lawrence Livermore National Laboratory）的研究人員利用“物理信息+AI”的生成式模型，成功預測了美國國家點火裝置（NIF，National Ignition Facility）的聚變點火實驗，準確率超 70%。本次研究還通過遷移學習和不確定性量化，為復雜工程系統提供了可推廣的預測框架，標志著 AI 在清潔能源領域的里程碑應用。

圖 | 相關論文（Science）

在能源領域，慣性約束聚變（ICF，inertial confinement fusion）實驗有著重要意義，它能為實現清潔、可持續的聚變能源提供關鍵路徑，有望解決傳統化石能源枯竭及核裂變安全隱患問題。

（https://zh.wikipedia.org/wiki/%E6）

慣性約束聚變實驗利用強大的激光誘發核反應來產生聚變能量。這種實驗在設計上較為復雜，通常需要借助計算機模擬進行優化。通常情況下，這些模擬需要人工調整，這限制了它們的預測能力。

（https://zh.wikipedia.org/wiki/%E6%85%A3%E6%80%A7%E5）

而在本次論文之中，美國勞倫斯利弗莫爾國家實驗室的研究人員開發了一個基于物理原理的生成式機器學習模型，該模型成功預測了初始點火實驗的結果，并能推演出相同設計下后續實驗的數據統計特征。

通過此，研究人員在美國國家點火裝置進行的慣性約束聚變實驗上取得了突破，其所產生的聚變能量首次超過驅動實驗的激光能量，借此成功實現了“點火”。

實驗開始前，研究團隊采用了這種融合了輻射流體力學模擬、深度學習、實驗數據與貝葉斯統計的生成式機器學習模型進行預測，該模型能以超過 70% 的概率判定本次點火實驗最有可能實現聚變點火。

與此同時，該方法不僅限于慣性約束聚變領域，還可用于其他需要科學驅動外推的研究場景。另據悉，研究人員計劃在 2026 年通過百億億次級超算平臺開展相關計算。

（https://zh.wikipedia.org/wiki/%E5%9C%8B%E5%AE%B6%E9）

一個融合了數值模擬與實驗數據的深度學習模型

據介紹，該模型具備三大核心功能：自適應調整實驗設計方案、為后續實驗提供決策依據，以及在設計優化研究中生成穩健性評估指標。

此前，美國能源部制定了慣性約束聚變計劃，該計劃的核心目標旨在利用目前全球能量最高的激光系統——NIF 來針對裝載氘氚（DT，deuterium and tritium）燃料的毫米級靶丸進行壓縮加熱。氘和氚是氫的兩種同位素，氘氚燃料是慣性約束聚變最常用的反應材料。當氘氚燃料達到極端壓縮狀態時，其內部核反應將釋放聚變能量。2022 年 12 月 5 日，由美國國家點火裝置實施的慣性約束聚變實驗取得歷史性突破：在注入 2.05 兆焦紫外激光能量的條件下，產生了 3.15 兆焦的中子聚變能量輸出，這也是首個達到美國國家科學院（NAS，National Academies of Science）于 1997 年制定的聚變點火標準的實驗。

（https://zh.wikipedia.org/wiki/%E5%9C）

在美國國家點火裝置實驗中，計算機模擬對于慣性約束聚變性能預測發揮著核心作用。由于美國國家點火裝置每年僅能開展大約 12 次點火實驗，因此研究人員必須高度依賴模擬技術來優化實驗方案。要想確保實驗成功，關鍵在于開發能在實驗前精確預測關鍵觀測指標的數值模型。然而，實際模擬過程必須通過簡化假設來降低計算成本，例如引入對稱軸假設或采用降階模型，這些簡化處理往往會導致模擬預測與實驗觀測之間存在偏差。

為了縮小模擬與實驗間的差異，傳統方法采用“后驗調參”機制，即在實驗之后調整模型中的不確定參數以便來匹配實測數據。經過調參優化之后的模型隨后會被用于“先驗預測”，以便為后續實驗提供小幅外推指導。近年來，這種調參方法與經驗模型、解析理論相結合，顯著提升了人們在慣性約束聚變內爆過程的認知水平和實驗性能，并通過一系列的技術突破實現了聚變點火。

對于人工后驗調參法來說，盡管它在設計空間的小幅外推中表現不俗，但是對于激光裝置升級或未來高產額設施的決策制定來說，仍然需真正具有預測能力的計算機模型提供支撐。因此，當人們探索參數空間中那些未經測試的新設計方案時，必須針對后驗模型的不確定性進行量化評估，以便能夠涵蓋多種的可能場景。由于實驗數據稀疏、設計空間廣闊，以及模擬計算成本高昂，要想實現這種不確定性量化可謂極具挑戰性。

而本次研究通過統計分析美國國家點火裝置近期的一系列的實驗數據，首次實現了針對“未經驗證的慣性約束聚變設計方案”的性能預測，并給出了可信的量化不確定性評估結果。與此同時，本次研究整合了多項由數據驅動建模的創新技術：首先，整合了基于高性能計算（HPC，highperformance computing）流程生成的大規模模擬數據庫；其次，整合了貝葉斯后驗分析方法；再次，整合了遷移學習機器學習技術。雖然以數據驅動的慣性約束聚變建模在近年來逐漸得到普及，但是現有方法缺乏嚴格的數據驅動型不確定性量化。鑒于近期美國國家點火裝置實驗觀測到的高度變異性，這一短板正在成為關鍵制約因素。

（Science）

正因此，在本次研究之中，研究人員開發了一個預測模型，同時這也是該團隊此前關于貝葉斯射后分析成果的擴展。研究中，他們使用本次模型針對 2021 至 2022 年間開展的一系列實驗中的變異性進行了量化。在這種變異性模型的幫助之下，他們提煉出了美國國家點火裝置 Hybrid-E 實驗中靶場條件預期變化的分布情況，并指出這些分布通過正在測試的設計方案的機器學習模型進行正向傳播，從而能夠針對后續實驗的性能變異性做出預測。

在此，我們需要將時間拉回到幾年前。2022 年 9 月，美國國家點火裝置開展了首次慣性約束聚變實驗，其驅動激光能量達到了新的水平——2.05 兆焦，較此前的最大能量 1.9 兆焦有所提升。這次實驗的設計方案實現了超過 1 兆焦的聚變產額，為后續的實驗改進指明了清晰方向。為了籌備第二次以 2.05 兆焦激光能量驅動的實驗，研究人員在 2022 年 12 月那場成功的點火實驗前一周使用了一種自研方法，并預測該設計方案能夠實現能量盈虧平衡的概率為 74%，而這顯著高于以往任何設計方案。據了解，研究人員所預測的 50% 置信區間（CI，confidence interval）中子產額為 [2，7.2] 兆焦，與 3.15 兆焦的實驗結果相符，其他實驗觀測數據也與預期一致。此外，2022 年 12 月，基于該設計方案的后續重復實驗結果，同樣與研究人員預測的變異性分布相吻合。因此，這一成果展示了慣性約束聚變實驗預測建模的一種極具前景的方法，也為其他復雜系統開發數據驅動模型提供了框架。

何謂預測點火？

據介紹，研究人員的目標是整合美國國家點火裝置歷史實驗數據、高保真物理模擬和領域專家知識，提前針對聚變產額以及其他關鍵指標，做出帶有不確定性量化的數值預測。

研究中，研究人員首先針對先前的實驗進行分析，以便確定與測量數據相符的輸入條件。通過針對每個單獨的實驗靶射進行貝葉斯推斷，然后合并由此產生的分布，他們構建了一個生成式模型，該模型能夠針對一系列實驗中所有靶射間的變異性進行量化。在此之后，這個生成式模型便能針對尚未開展的實驗做出預測。

由于慣性約束聚變的多物理場模擬計算成本十分高昂，每次模擬需要消耗多個計算節點時，因此直接將仿真器納入貝葉斯分析并不可行。為此，研究人員使用了深度神經網絡（DNN，deep neural network）替代模型，該模型基于覆蓋所有實驗條件的大規模模擬數據庫訓練而成。這種基于模擬的數據驅動的方法，既能實現對稀疏實驗數據的快速分析，又能保持物理意義的完整性。

研究人員指出，這種變異性模型在本質上符合歷史實驗數據的輸入條件概率分布，因此他們以此為“先驗”，針對新的慣性約束聚變實驗進行預測。

研究中，研究人員通過輻射流體動力學代碼 HYDRA 以多階段的方式模擬了慣性約束聚變內爆過程，這些代碼涵蓋了一系列詳細的物理過程，包括激光傳輸、輻射轉移、流體動力學、熱力學和核過程等。

期間，研究人員先是利用擬設計的脈沖和靶丸參數，運行整合了激光器、黑體輻射腔和靶丸建模的綜合計算。盡管綜合模擬對于描述靶丸所受的輻射驅動至關重要，然而高分辨率的輻射腔和靶丸模擬計算成本過高，無法進行常規運行。為了生成診斷數據，需要進行第二輪僅針對靶丸的模擬。

研究人員指出，對于僅含靶丸的內爆過程來說，其由整體模擬生成的頻率依賴型輻射源驅動，該輻射源通常根據與待測設計相似的歷史實驗參數進行校準。通過這類精細模擬，可以精準地刻畫以下幾個關鍵物理效應：第一個是燃料與燒蝕層界面的混合效應，第二個是填充管及支撐結構的擾動影響，第三個是輻射驅動過程中的非對稱性特征。

通常情況之下，工程特征和靶丸質量的具體影響無法在實驗前預測，而是必須在實驗后通過“確定需要對模擬施加哪些退化機制”來匹配實驗觀測結果，從而進行推斷。同樣的，內爆過程的驅動對稱性歷程無法實現精確測量，所以只能通過使模擬結果與描述內爆熱斑和外殼形狀的數據相匹配來推斷。為此，研究人員采用統計方法來推斷模擬輸入條件，其表示這些條件能夠產生與實驗數據一致的輸出結果。

研究人員的模擬實驗序列始于 2021 年 8 月首次實現兆焦級產額的里程碑實驗（NIF 實驗編號 N210808），直至 2022 年 12 月實現能量增益大于 1 的突破性實驗（NIF 實驗編號 N221204）。在這兩個標志性實驗之間，美國慣性約束聚變項目團隊曾多次嘗試復現 N210808 的實驗結果。雖然這些重復實驗未能達到同等性能水平，但是卻為理解點火級設計的單次實驗可重復性提供了關鍵數據。

（https://zh.wikipedia.org/wiki/%E5%9C%8B%E5%AE%B6%E9）

為了探究與實驗觀測數據相符的輸入條件范圍，以及量化 N210808 實驗及其重復實驗的變異性，本次研究人員構建了一個以 N210808 標準設計為核心的二維軸對稱模擬數據庫。這些模擬還涵蓋了一個 8 維參數空間。之所以將這些輸入參數納入研究，是因為它們在實驗中存在不確定性或變異性，并且會對目標觀測物理量產生顯著影響。

研究人員表示，模擬輸入值通過拉丁超立方抽樣與自適應技術相結合的方式生成，其中自適應技術用于增加實驗數據附近的樣本數量。據介紹，該模擬數據庫在美國洛斯阿拉莫斯國家實驗室的 Trinity 超級計算機上運行，由 UQ Pipeline 高性能計算工作流管理器驅動。這一數據庫包含超過 15 萬組的模擬，每組模擬大約需要 900 個 CPU 小時才能完成。

模擬靶射間的變異性

研究中，本次研究人員的預測模型以從以往每個實驗靶射（N210808 及其重復實驗）中收集的 7 個觀測物理量為訓練數據，并通過一個針對模擬輸入參數變異性的概率模型，來描述未來靶射的預期性能。訓練完成之后，概率模型可以近似地模擬與過往實驗相符的靶射間變異性分布。在新設計方案的預測上，則可通過將變異性模型代入擬設計的模型中進行傳播來實現，必要時還可以基于已知的設計變更來引入先驗變換。

將變異性模型建立在模擬輸入層面，是研究人員本次方法中的核心理念，其帶來的諸多優勢遠遠超過模型復雜度增加所帶來的影響。首先，模擬輸入具有良好的可解釋性。其次，研究人員在輸入空間中針對變異性進行建模，并利用 HYDRA 模擬器將其傳播到輸出層面，從而能夠通過將多個輸出與實驗數據匹配來訓練模型。這種方法能夠顯著增加了模型的可利用信息量，因為不同靶射實驗的輸出之間的相關性能夠充分反映靶射間變異性的本質。而假如直接在輸出空間建模變異性，則需要從有限數據的中學習這些關聯，這將極大削弱約束變異性的信息量。換言之，基于輸入變異性的建模框架，使得研究人員能夠整合模擬數據這一“第二信息源”，這對于從極度稀疏的實驗數據中學習變異性規律具有決定性作用。

研究人員表示，本次研究使用的生成式模型由一個多元正態分布構成，其均值向量 μ 和協方差矩陣 Σ 是未知的，需要從 N210808 實驗及其重復靶射數據中學習而來。研究中，他們通過馬爾可夫鏈蒙特卡洛（MCMC，Markov chain Monte Carlo）方法針對均值和協方差進行探索，該方法能從可能具有復雜高維結構的非參數后驗分布中生成樣本。

借助馬爾可夫鏈蒙特卡洛方法，本次模型能夠描述 HYDRA 輸入參數上高度相關的靶射間變異性，而這種變異性不會受到多元正態假設的實質性限制。不過，出于實際應用的考慮，研究人員針對均值向量 μ 引入弱先驗，以便確保變異性符合物理規律。同時，他們針對協方差矩陣 Σ 引入先驗，以便保證其所需的對稱性和正定性。

據介紹，本次生成式模型累計包含 44 個待優化參數：包括 8 維均值向量 μ、8 個對角線元素和 28 個非對角線元素組成的協方差矩陣 Σ。當模型在訓練時，研究人員通過針對每項訓練實驗的輸入參數后驗分布進行采樣，每次采樣會引入 8 個新參數。這些參數通過 HYDRA 模擬的深度神經網絡替代模型傳遞，以便用于預測實驗觀測量，以及用于構建馬爾可夫鏈蒙特卡洛的似然函數。

這使得推理過程需要在大約 100 維參數聯合空間中進行探索，原本這是計算量極大的任務，但是研究人員通過以下策略顯著降低了計算成本：其一，他們利用了深度神經網絡的可微特性；其二，他們保持了各次實驗輸入參數的推斷獨立性；其三，他們使用了前次推斷結果初始化參數。這些手段使得生成式模型僅需數個 CPU 小時即可完成訓練，而且馬爾可夫鏈蒙特卡洛鏈在收斂性和自相關性指標上表現十分良好。

預測實驗設計方案的變異性

有了訓練好的生成模型之后，就能生成和訓練示例設計一致的未來輸入樣本。對于不同的設計方案，可以通過解析變換調整生成樣本，來反映預期的輸入條件變化。

據介紹，這些變換由該團隊的實驗設計專家指導完成，例如 N221204 實驗的變換考慮了以下兩方面：首先，考慮了已知的靶丸質量變化；其次，考慮了 Legendre 二階模驅動不對稱性的預期控制難題。經過該團隊的實驗設計專家驗證之后，現有生成式模型給出的變異性分布能夠符合實驗預期，因此無需進行顯式變換。

接下來，則需將變換后的輸入分布高效地傳遞至模擬輸出端。通過將輸入分布樣本在新設計方案模型中傳播，可以獲得預期輸出量的概率分布。為了避免耗時數周的大規模的 HYDRA 模擬計算，研究人員通過采用稀疏采樣技術，從非解析輸入分布中生成了小規模新模擬點集。他們通過遷移學習技術構建了 N221204 替代模型，以便確保其在參數空間相關區域里保持足夠的精度。需要說明的是，遷移學習的核心是利用相對少量的訓練數據，使為某一項任務訓練的神經網絡能夠適應另一項相關任務。

而通過隨機配置（SC，stochastic collocation）生成輸入分布的稀疏樣本，則是一種能夠針對相關概率分布域上的低階多項式進行精確積分的多變量求積技術。通過針對隨機配置法問題進行求解，會得到一組節點及相應的權重。而通過求解多維多項式方程組確定節點和權重，以及采用不同初始化近似求解該方程組，研究人員最終得到 57 個用于遷移學習的隨機配置點。

這些經過特殊選擇之后的點，被作為輸入參數傳入 N221204 設計的 HYDRA 模型中。該模型所采用的輻射驅動和靶丸幾何結構與 N210808 相比，存在兩個主要差異：第一個差異是，N221204 設計的外層燒蝕材料增厚了 6 微米；第二個差異是，激光能量提升至 2.05 兆焦相比之下，N210808 的激光脈沖能量為 1.9 兆焦。針對這 57 組 HYDRA 模擬結果進行后處理后，研究人員得到了包括中子產額、低散射比（DSR，Down-Scatter Ratio）、離子溫度、燃燒持續時間、內爆峰值時間等在內的目標輸出物理量。

（Science）

與此同時，研究人員轉而開展了一項更加簡單的任務：將一組 HYDRA 模擬結果適配至另一組。他們首先從 57 組模擬中留出約 20% 作為驗證集，其余則作為訓練數據。然后，以先前的 N210808 替代模型為基礎，在凍結中間層的同時，使用新數據繼續訓練第一層和最后一層。對于到底應該凍結哪些層來說，這要由新替代模型在驗證集上的性能決定，通過此研究人員得到了一個能夠精準模擬 N221204 設計的遷移學習模型。

（Science）

研究人員指出，遷移學習技術在預測時效性與模型精度間實現了最佳平衡：雖然新設計（N221204）替代模型的交叉驗證精度（平均 R2=0.88），略低于原設計（N210808）模型的精度（平均 R2=0.96），但是這一誤差水平遠低于輸入條件的不確定度。后續分析也表明，增加 N221204 模擬數據并不會顯著改變預測結論，同時這一方法僅需 57 組新設計方案的模擬，即可實現可靠的變異性預測。

（Science）

借助 N221204 神經網絡代理，研究人員可以通過前向傳播先驗分布，來預測那些即將進行的實驗，從而獲得預期實驗觀測量的分布。由于該神經網絡是 HYDRA 的高精度仿真替代模型，因此所得到的分布能夠保持輸出量之間的相關性，故在物理上具有一致性。基于此，研究人員利用這一概率模型計算了預測性能的定量指標，以便與既往實驗進行對比分析。

如下圖所示，這張圖以一維和二維核密度估計（KDE，kernel density estimates）的形式，展示了 N221204 實驗的預測結果分布。其中，橫軸為中子產額（以 log?? 為單位），縱軸為低散射比（DSR，以百分比為單位），同時還包含了將在后續開展的近重復實驗結果。

（Science）

需要強調的是，這一預測分布結果僅僅基于 1.9 兆焦實驗數據訓練得到，因此不會隨新的 2.05 兆焦數據的收集而變化。這樣一來，新的 2.05 兆焦數據將能為研究人員提供獨立驗證預測結果的依據。在上圖中，以橙色標注的是最大異常值，它與其他實驗相比具有異常高的 1 階模不對稱性，這說明它與研究人員假設的輸入分布的一致性是低于其他實驗的。不過，所有 2.05 兆焦重復實驗的結果均落在本次模型生成的 95% 的置信區間內。與此同時，上圖還包含了 N210808 實驗設計的對應分布結果，以及該實驗及其后續重復性實驗的數據。

研究人員的預測結果表明，N221204 設計有望突破 N210808 方案無法觸及的物理狀態。當熱點形狀趨近圓形或輕微長橢球時，新的設計方案在達到美國國家科學院定義的點火條件——即在達到靶丸能量增益超過 1 上具有更高的概率。具體而言，實現點火的概率從 N210808 實驗的 0.5% 提升至 N221204 實驗的 74%，這一躍升實現了美國國家點火裝置迄今所有設計方案中點火成功率的最大幅提高。

這種能夠量化特定產額結果概率的能力，能為實驗設計決策提供更充分的依據。例如，在美國國家點火裝置中，開展“搭車實驗”即利用主實驗的輻射環境進行輔助研究往往成本高昂且耗時。而通過本次模型，可以量化那些即將進行的氘氚實驗能夠達到有效數據產額要求的概率。假如概率較低，比如實現最低需求產額的概率小于 50%，則說明可能無需部署復雜的“搭車實驗”。

與此同時，研究人員還利用本次模型針對常規設計決策進行了比較和指導。例如在給定實驗的可用靶丸中，他們預測了哪款靶丸的性能有望實現最佳，以及針對基準 N221204 設計方案進行哪些簡單修改，最有可能降低產額變異性。目前，這種建模方法已被常規性地納入美國高性能實驗的靶射規劃中，以用于佐證傳統方法的預測結果。

此外，研究人員所使用的建模方法不僅能夠預測改進設計方案的實驗表現，還能幫助評估激光裝置未來升級能否突破當前設計空間的性能瓶頸，以及評估背后所需要的成本。除了用于這些預測之外，該模型還能在未來設計方案的自動優化過程中計算穩健性指標。

（Science）

核心邏輯還可推廣至其他工程系統

總體來說，本次研究人員利用高性能計算模擬、歷史實驗數據、貝葉斯統計和深度學習，對實現目標增益大于 1 的受控核聚變實驗進行了量化，并進行了物理意義明確的預測。這種預測基于實驗前整合多源數據的建模，通過融合復雜物理模擬與數據驅動方法，實現了對于未實驗過的新設計方案性能的外部準確推測。

同時，研究人員所使用的模型還有效地考慮了實驗條件的固有變異性，包括激光傳輸波動、靶丸質量差異、測量不確定性導致的輸入條件誤差，以及實驗設計的主動調整等因素。通過將貝葉斯分析用于歷史實驗數據，以及結合遷移學習能夠快速訓練新設計的代理模型的優勢，讓他們得以在數天內預測出新實驗的預期結果分布。

總的來說，這一方法為未來美國國家點火裝置的實驗設計優化提供了數據驅動的決策支持，例如能被用于評估激光裝置升級對于突破性能瓶頸的作用，并且能夠量化不同設計策略的魯棒性。其核心邏輯還可推廣至其他需要科學外推的復雜工程系統，從而為復雜系統的預測性建模提供新范式。

（https://www.linkedin.com/in/briankeithspears/）

另據悉，本次論文的第一作者是布萊恩·斯皮爾斯（Brian Spears），他目前是勞倫斯利弗莫爾國家實驗室的人工智能創新孵化主任，他熱衷于將深度學習應用于應用科學領域，尤其是慣性約束聚變方向。其研究重點是大規模高性能計算及其與深度學習的融合。

參考資料：

https://www.science.org/doi/10.1126/science.adm8201

https://zh.wikipedia.org/wiki/%E6%85%A3%E6%80%A7%E5%B1%80%E9%99%90%E8%9E%8D%E5%90%88

https://zh.wikipedia.org/wiki/%E5%9C%8B%E5%AE%B6%E9%BB%9E%E7%81%AB%E8%A8

https://zh.wikipedia.org/wiki/%E5%9C%8B%E5%AE%B6%E9%BB%9E%E7%81%AB%E8%A8

運營/排版：何晨龍