8月14日，《科学》（Science）发文，报道了美国劳伦斯利弗莫尔国家实验室（LLNL）利用深度学习网络成功实现NIF“点火”预测。论文标题为《Predicting fusion ignition at the National Ignition Facility with physics-informed deep learning》。
一、项目背景
美国能源部（DOE）的ICF计划，旨在通过全球强大的激光系统——国家点火装置（NIF）实现核聚变点火。其原理是利用激光压缩含氘氚（DT）的毫米级靶丸，使燃料在高温高压下发生聚变反应，当聚变能量超过驱动激光能量时，即达到美国国家科学院（NAS）1997年定义的 “点火” 标准。
2022年12月5日，NIF在实验中首次达成这一目标：2.05MJ的紫外激光驱动产生3.15MJ的中子聚变产额，验证了点火的可行性。（编者注：NIF在今年4月的实验中，实现第八次“点火”，以2.08MJ的输入能量实现8.6MJ的能量输出，Q值创纪录的达到了4.13）。
传统ICF实验依赖计算机模拟优化设计，但模拟因简化假设（如对称性近似）与实验存在偏差，需通过 “射后调参” 匹配结果，但仍然仅适用于小范围设计调整。对于激光升级或全新设计，需能量化不确定性的预测模型，以解决稀疏实验数据、庞大设计空间和高计算成本的挑战。
二、核心方法
研究团队开发了融合辐射流体动力学模拟、贝叶斯统计、深度学习与迁移学习的预测模型，核心步骤如下：
1.大规模模拟数据库的建立
使用辐射流体动力学代码HYDRA，在Trinity超级计算机上生成超过15万次二维轴对称模拟，覆盖2021-2022年近重复实验（如N210808及其重复实验）的8维参数空间，捕捉激光波动、胶囊质量等不确定性因素。每个模拟需要耗费900个CPU小时，通过UQ Pipeline workflow管理。
2.贝叶斯统计与变异性模型
通过贝叶斯推理分析过往实验数据，构建 “变异性模型”：
量化实验间差异（shot-to-shot variability），生成与历史数据一致的输入条件分布；
采用马尔可夫链蒙特卡洛（MCMC）方法学习多元正态分布的均值（μ）和协方差（Σ），捕捉参数间的物理相关性（如中子产额与散射比的关联）。
3.建立深度学习替代模型
用深度神经网络（DNN）训练模拟数据库的替代模型，替代计算昂贵的 HYDRA直接模拟，实现快速贝叶斯分析。该替代模型在原设计（N210808）上的平均R²达0.96，确保精度。
4.迁移学习适配新设计
针对新实验设计（如2022年12月的2.05MJ激光实验），无需重新生成大规模模拟：
通过随机配置（SC）生成57个关键参数点，执行少量新模拟；
利用迁移学习调整已有DNN（冻结中间层，训练首尾层），快速构建适用于新设计的替代模型，平均R²达0.88，满足预测需求。
三、实验验证与预测效果
1.关键实验预测
2022年12月的点火实验（N221204）前，模型预测：
74%概率超过盈亏平衡产额（较此前设计的0.5%显著提升）；
50%置信区间为[2, 7.2]MJ，实际产额3.15MJ落在区间内；
其他观测指标（如散射比、离子温度）也与预测一致。
2.重复性验证
后续重复实验（如N230618、N230729）的结果均符合模型预测的95%置信区间，验证了模型对变异性的捕捉能力。
3.模型优势
相比单一指标预测，模型通过物理相关性（如产额与散射比的关联）缩小预测范围，避免结果模糊，例如将产额可能范围从0.1-15MJ约束至更窄区间。
四、应用价值与未来展望
1.实验设计决策支持
量化实验成功概率，辅助判断是否开展附加实验（如高成本中子源研究）；
优化靶丸选择与设计修改，降低产额变异性。
2.设施升级评估
可预测激光能量/功率提升对聚变性能的影响，为NIF升级提供依据。
3.方法普适性
融合物理模拟、统计与机器学习的框架，可推广至其他需基于稀疏数据预测的复杂系统（如航空航天、高能物理）。
五、总结
该项研究首次通过物理信息深度学习模型，实现了核聚变点火的定量、可靠预测，其核心创新在于整合大规模模拟、贝叶斯不确定性量化与迁移学习，解决了传统方法在新设计预测中的局限性。
2022年12月的成功“点火”实验验证了模型的准确性，为ICF实验优化与复杂系统预测提供了范式，推动核聚变研究向实用化迈进。未来还计划在百亿亿次超级计算机上扩展应用，实现自动优化设计的鲁棒性评估。
参考链接：
- https://www.miragenews.com/ai-model-predicts-ignition-in-fusion-experiment-1515319/
- https://www.science.org/doi/10.1126/science.adm8201