在罗彻斯特大学激光能量学实验室，科学家们利用人工智能将核聚变研究带入了更清晰的焦点。

罗彻斯特大学激光能量学实验室（LLE）的OMEGA激光设备是世界上最大的学术激光器。乍一看，它也像一个精心设计的大理石，用于光粒子和等离子体，在将光束聚焦到准星上的一个小目标上之前，它会分裂和放大光束。最终目标是什么？要解开天体物理现象的秘密，就要在原子压碎压力下测量材料，并追求范式转换的聚变进展。

在美国能源部（DOE）国家核安全管理局于2024年提供的5.03亿美元资金的支持下，罗切斯特的激光实验室为这项关键工作配备了理想的设备。LLE大约每月进行一次复杂的聚变实验，科学家大约有五次机会在指定的日子里发射激光并记录数据。多物理场计算机模拟代表了科学家对聚变等离子体的最佳理解，用于设计实验和解释实验结果。然而，尽管模拟很复杂，但它们无法再现实际实验的所有结果。

LLE主任克里斯托弗·迪尼解释说：“你从一个直径一毫米的塑料胶囊开始，里面装有冷冻的氘-氚，在绝对零度以上20度，然后被压缩到小于人类头发的直径，温度超过3000万度，所有这些都在十亿分之一秒内完成。”“这需要理解和正确处理很多物理问题。此外，我们必须使用先进的诊断技术来测量十亿分之一秒内发生的所有细节。”

为了利用这些先进的诊断技术捕获的大量数据，并加速美国更广泛的核聚变研究，lle的科学家们正在转向人工智能（AI）和类似的先进计算技术。

激光聚变发射了它的子弹

50多年来，LLE帮助构建和解决了惯性约束聚变（ICF）（也称为激光聚变）的关键挑战。科学家们普遍认为，到目前为止，ICF是最有希望控制热核聚变的方法，热核聚变是一种高潜力的清洁可再生能源。

“本质上，ICF是一个逆物理问题，”罗切斯特大学计算机科学副教授克里斯托弗·卡南说。解决方案被称为引燃——内爆释放的净能量增益——是已知的，科学家们必须逆向推导出激光和目标的正确特性。(想想Jeopardy！，参赛者必须构思出能产生给定答案的问题。)

Omega本身并不是为了实现点火而设计的，而是为了推进对激光驱动的直接驱动核聚变的理解。利弗莫尔国家实验室的国家点火装置的能量是欧米茄的60倍，现在有了一个逆物理问题的答案，将在2022年实现点火。欧米茄的进展和点火方面的成就都使用了统计模型来帮助填补我们对物理学完全理解的空白。

模拟和实验之间的知识差距源于物理学的复杂性，测量的局限性，以及极端条件下核物理学，等离子体物理学和材料科学的巨大范围，这对最复杂的计算机代码也构成了挑战。

首先是目标的问题，一个空心的塑料球体，可以装在大头针的顶端。LLE的研究人员用精密工具建造了这个小球体，在里面填充氢同位素，然后将球体冷却到接近绝对零度（或零下460华氏度）。冻结后，氢变成了一层冰，覆盖在塑料外壳的内部。

然后是激光，一种脉冲在通过LLE的激光光束线时被放大并分裂成多个光束。镜子均匀地分布在目标周围，引导激光束粉碎膨胀的塑料，使冰冻的胶囊坍塌，达到每小时5亿英里的内爆速度。

激光的理想脉冲形状、强度和时间是什么？目标放得准吗？表面上的微小缺陷，或者激光指向的轻微不准确，有什么关系吗？应该在员工早上喝咖啡之前还是之后给球体充氢燃料？只有正确的变量串才能产生融合。

打针之后，工作才刚刚开始。

通过使用复杂的算法来处理来自十几项诊断的数据，以了解实验过程中发生了什么，结果以百万分之一米和万亿分之一秒的速度测量。“尽管我们每个月只进行大约5次核聚变实验，但我们已经在这些实验中进行了一段时间的详细诊断，所以我们有一套非常全面的数据，”迪尼补充说。

人工智能增强了激光驱动的核聚变研究

LLE的研究人员需要一种方法来检测数据中最细微的点和模式，教计算机模拟产生更准确的预测。更好的预测反过来将改进核聚变实验，塑造下一代核聚变研究和激光技术。

“我们的目标是使用生成式人工智能来改进模拟预测，并推断出激光和目标的特性。我们正在利用人工智能的力量来加速融合的未来。”

进入人工智能领域，特别是被称为机器学习的领域子集，它可以帮助计算机代码通过经验改进它们的预测。除了预测之外，机器学习还具有分析数据、推断关系并将这些知识整合到其功能中的能力。

“我们现在有丰富的实验数据，我们可以利用机器学习来纠正模拟，并指导实验的实时调整，”里卡多·贝蒂说，他是LLE的首席科学家，也是罗彻斯特大学机械工程系和物理与天文学系的罗伯特·l·麦克罗里教授。

Betti和Kanan的工作建立在最近在生成人工智能方面的突破之上，生成人工智能是一种可以创建数据和其他输出（包括文本和视频）的人工智能。罗切斯特大学的研究人员将这类算法重新用于解决逆向物理问题，并提高模拟的准确性。美国能源部聚变能源科学（FES）项目甚至为该团队提供了近300万美元的资金，这项工作预计将于2026年完成。

“我们的目标是使用生成式人工智能来改进模拟的预测，并推断出激光和目标的特性应该是什么，”Kanan说。“我们正在利用人工智能的力量来加速融合的未来。”

猫照片>聚变实验

“一旦我们注意到模拟预测和实验结果之间的差距，我们就可以应用机器学习来调和两者，”LLE理论部门的科学家、罗切斯特大学机械工程助理教授、21岁的Varchas Gopalaswamy博士说。“如果一个变量发生变化，模拟是否会以某种方式做出反应，这是否反映在实验中？”这告诉我们假设是否正确。我们能改变变量或提出缓解策略吗？随着机器学习深入研究这些数据模式，我们可以提出假设来研究不同的物理现象，并设计更好的实验，”他说。

“ICF的一个挑战，”Gopalaswamy补充道，“是我们用来训练人工智能的数据量相对有限。有一个庞大的猫图片数据库，人工智能可以从中学习，但聚变实验要少得多。在这种情况下，利用经验数据缩小知识差距是相当具有挑战性的。这就是为什么我们需要一种强大的方法来综合理论理解和实验现实，以帮助我们做出更好的决策。”

Betti、Gopalaswamy和LLE其他科学家的工作得到了美国物理学会的认可，该组织向该团队颁发了约翰·道森等离子体物理研究卓越奖。该荣誉表彰他们“开创了统计模型的发展，以预测、设计和分析30kJ OMEGA激光器的内爆实验。”

罗切斯特大学LLE的人工智能和机器学习工作进一步推动了等离子体和超快激光科学与工程部门主管达斯汀·弗鲁拉等研究人员的发现。在他的职业生涯中，Froula和他的团队开发了测量等离子体各个方面的技术，比如温度，通过等离子体中的电子散射激光，被称为汤姆森散射。他们甚至在“飞焦”技术的基础上开辟了一个新的光学研究领域，即控制远距离激光的强度。

“人工智能和机器学习是一场革命 我们如何设计我们的实验。”

弗鲁拉说：“人工智能和机器学习正在彻底改变我们设计实验的方式。“我们希望人工智能能够在我们展望下一代设施时，为我们提供如何制造更好的激光器的见解。”例如，欧米茄的继任者可能会发射多种颜色的光束，而不是只有一种。

Froula解释说：“激光束光谱上的多种颜色将允许等离子体在光束中更好地传播，人工智能正在帮助我们理解激光和等离子体中不同颜色之间复杂的相互作用。”

除了加速人工智能和机器学习在核聚变领域的应用之外，基于直接驱动核聚变的进展，美国能源部FES将LLE命名为推进惯性聚变能（IFE）的国家研究中心，这是一种有前途的清洁能源，依赖于通过聚变重氢（氘和氚）原子产生能量。

打造智能“生态系统”

利用罗彻斯特大学的跨学科研究重点，LLE招募了几名学生来推进人工智能和机器学习在融合研究中的应用。

Gopalaswamy说：“我们的目标是激励学生继续训练机器学习，以提高我们的诊断工具。”“是的，我们需要人工智能专家。但要解释我们的模型是否出于正确的原因做出了正确的事情，我们需要物理学家。我们还需要工程师、技术专家、材料科学家——一个完整的生态系统。”

Gopalaswamy补充说：“随着印度转向清洁能源和可持续能源，人工智能在融合研究中的应用可能会成为一个新的劳动力领域。”

在LLE中，就像在生活中一样，人工智能不是为了取代或取代人类的智力而设计的。

“人工智能是我们用来指导研究的工具，”LLE理论部门主任、机械工程系研究助理教授瓦列里·贡恰罗夫（Valeri Goncharov）说。“我们可以优化人工智能工具来提高我们的绩效，这是研究设施的好处，但我们的思想推动创新。我们不能将ICF中的大量物理基础知识委托给人工智能。我们需要人脑来做这件事。”