AI预测核聚变成功，助力清洁能源研究

人工智能正在极大地推动核聚变研究的进程，尽管其方式可能与人们最初想象的不同。发表在《科学》杂志上的一项新研究详细介绍了劳伦斯利弗莫尔国家实验室（LLNL）的科学家如何开发出一种深度学习模型，该模型能够准确预测国家点火装置（NIF）复杂聚变实验的结果。这个突破性的模型将2022年一项特定实验的点火概率定为74%，通过更精确地评估更广泛的参数，它显著超越了传统的超级计算方法。

凯利·汉伯德（Kelli Humbird）是NIF惯性约束聚变项目认知模拟小组的负责人，也是这项研究的合著者。她强调了该模型的战略价值。“我们对这个模型感到兴奋的是，它能够明确地为未来的实验做出选择，从而最大限度地提高我们每次成功的概率，”她解释道。尽管NIF规模庞大且复杂，但每年只能进行有限的几次“点火尝试”——通常是几十次——这使得每一次实验对于推动该领域的发展都至关重要。

核聚变研究的更广泛目标是利用一种清洁、几乎无限的能源。与当前依赖裂变（如铀等重原子分裂）的核电站不同，聚变是将轻氢原子结合起来释放巨大的能量。这个过程具有显著优势：它能产生更多的能量，并且不产生有害的、长寿命的放射性副产品，使其成为可持续能源未来的理想选择。虽然已经取得了有希望的进展，但科学界的共识是，商业规模的核聚变仍然是一个遥远的愿景。

NIF的聚变实验采用激光驱动方法。强大的激光加热一个名为“黑腔”（hohlraum）的微小金圆柱体，使其发出强烈的X射线。这些X射线随后压缩含有氘和氚（两种氢同位素）的燃料丸。最终目标是引发足够的聚变反应，使该过程产生的能量超过激光最初消耗的能量——这种状态被称为点火。然而，预测这一过程的复杂物理学已被证明极具挑战性。传统的计算机模拟，通常为了保持“计算可处理性”（易于处理）而简化，可能会引入误差，并且仍然需要数天才能完成运行。

汉伯德将核聚变的追求比作攀登一座高耸、未知的山峰。现有的计算机模拟就像一张“不完美的地图”，可以指导研究人员，但无论研究设计如何，这张地图本身都可能包含缺陷。由于“徒步”（点火尝试）的机会有限，每一次都代表着巨大的预算开支，研究人员面临着巨大的压力，需要迅速、明智地决定他们的实验设置和工具。

为了克服这些障碍，汉伯德的团队踏上了一项宏伟的“制图之旅”。他们通过整合先前收集的NIF实验数据、高精度物理模拟以及来自主题专家的宝贵见解，精心编制了一个全面的数据集。然后，这个庞大的数据集被输入到最先进的超级计算机中，后者进行了超过3000万CPU小时（数百万小时处理时间）的统计分析。这项严谨的分析使团队能够识别出NIF“出错事物的分布”，涵盖了从轻微的激光失火到目标本身细微缺陷的一切。

由此产生的AI模型使研究人员能够预先评估其实验设计的有效性，从而大大节省时间和金钱。汉伯德本人使用该模型评估了2022年的一项实验，它准确预测了那次特定运行的结果。至关重要的是，随后对模型物理理解的改进进一步将其预测准确性从50%提高到令人印象深刻的70%。对于汉伯德来说，该模型的优势在于它能够识别甚至复制现实世界中固有的不完美——无论是仪器缺陷、设计限制还是自然界不可预测的怪癖。

尽管快速进展令人振奋，但该模型提醒我们，科学努力往往需要耐心，并且不可避免会遇到挫折。“人们研究聚变已经几十年了……当事情不顺利时，我们不应该感到沮丧，”汉伯德反思道。她强调了已经取得的显著进展，指出1兆焦耳的产出，虽然低于理想的2兆焦耳，但与不久前实现的10千焦耳相比，是一个巨大的飞跃。这种渐进但意义重大的进步代表了研究的一大步，并有望成为未来清洁能源的关键一步。