罗切斯特大学激光能量实验室（LLE）配备的OMEGA激光设备，是世界上顶尖的学术激光装置。一眼望去，它就像一个精心制作的光粒子和等离子体大理石跑道，能够在将光束聚焦至微小的十字准线目标前，先对光束进行分裂和放大。其核心任务是探索天体物理现象、在极端原子级压力下测试材料，并致力于推动颠覆性的核聚变研究。
得益于美国能源部（DOE）国家核安全局在2024年提供的5.03亿美元资助，罗切斯特激光实验室为进行这些关键性研究创造了理想的条件。激光实验室每月开展一次复杂的核聚变实验，科学家们大约有五次机会发射激光并记录数据。通过多物理场计算机模拟，科学家们能够深入理解聚变等离子体，设计实验并解释结果，尽管这些模拟无法完全复现所有实验细节。
LLE主任Christopher Deeney表示：“实验始于一个装有冷冻氘氚的塑料胶囊，该胶囊直径仅为毫米级，温度在绝对零度以上20度。随后，在十亿分之一秒内，胶囊被压缩至小于人类头发丝的直径，温度升至超过3000万度。”这一过程不仅需要深厚的物理学知识，还必须利用先进的诊断技术来详细测量这一瞬间发生的所有现象。
为了充分利用这些高级诊断技术所收集到的丰富数据，并更广泛地加速美国的核聚变研究，LLE的科学家们正转向人工智能（AI）及其他先进计算技术。
50多年以来， LLE一直在积极推动和解决惯性约束聚变（inertial confinement fusion，ICF）领域的核心挑战。科学界普遍认为，ICF是实现受控热核聚变的最有前途的方法，代表着一种充满潜力的清洁、可再生能源技术。
罗切斯特大学计算机科学副教授Christopher Kanan解释道：“ICF本质上是一个逆向物理问题，科学家们需要逆推出激光与目标的精确属性。”
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直接驱动聚变的理解。利弗莫尔国家实验室的国家点火设施能量是OMEGA的60倍，已找到解决逆物理问题的方法，已在2022年实现点火。无论是OMEGA取得的进展还是点火的成就，都依赖于统计模型来填补我们对物理学的完整理解的空白。
在模拟与实验之间存在的知识差异源于物理学的复杂性、测量的局限性以及研究工作的广泛范围，这包括在极端条件下进行的核物理、等离子体物理和材料科学研究，即便是最先进的计算机代码也面临挑战。
首先，有一个目标的问题，实验开始于一个可置于针尖上的空心塑料球，LLE的研究人员使用精密工具制造这个球，并在其中填充氢同位素，随后将其冷却至接近绝对零度。冷冻过程使得氢在塑料壳内形成一层冰。
随后的激光阶段，单个脉冲在通过LLE的激光光束线时被放大并分成多束，这些激光束通过均匀布置在目标周围的反射镜，击碎膨胀的塑料，使得冰冻胶囊内部发生坍缩，达到每小时超过5亿英里的内爆速度。
在实验中，激光的理想脉冲形状、强度和时间的设定至关重要，目标的精确定位、表面的微小缺陷或激光指向的轻微误差都可能影响最终结果。决定什么时间为目标注入氢燃料也是关键的一环。每个变量的正确设定都是实现核聚变的必要条件。
实验发射之后，分析工作才刚刚开始。通过复杂的算法处理来自十多种诊断设备的数据，详细了解实验过程中的每一个事件，数据的精确度达到百万分之一米和万亿分之一秒。Christopher Deeney补充道：“虽然我们每月只进行约5次聚变实验，但我们使用的详细诊断方法使我们积累了一套非常全面的数据。”
LLE研究团队正寻找一种能够精确检测数据中细微差别和模式的方法，以此指导计算机模拟，从而得出更准确的预测结果。这种改进的预测能力将反过来完善核聚变实验，并推动下一代核聚变研究与激光技术的发展。
人工智能，尤其是其子领域机器学习，能够帮助优化计算机代码的预测效能，通过经验改进预测。机器学习不仅能进行预测分析，还能处理数据、推断关系，并将这些知识应用到其功能中。
LLE的首席科学家、罗切斯特大学机械工程系与物理与天文学系的Robert L. McCrory教授Riccardo Betti指出：“我们现在拥有了大量实验数据，这些数据通过机器学习的帮助，可以用于修正模拟和指导实验的实时调整。”
Betti和Kanan的研究工作是基于生成式人工智能的最新进展，这种人工智能技术能够生成数据和其他形式的输出，如文本和视频。罗切斯特大学的研究团队正在利用这些先进算法来解决逆向物理问题，以提高模拟的准确度。美国能源部的聚变能源科学（FES）项目为此项研究提供了近300万美元的资金支持，预计将在2026年完成。
Riccardo Betti补充说：“我们的目标是借助生成式人工智能改进模拟预测，并精确推断激光与目标的交互特性。我们正在利用人工智能的强大能力加速核聚变技术的未来发展。”
LLE理论部科学家兼机械工程助理教授Varchas Gopalaswamy博士指出：“一旦我们察觉到模拟预测与实验结果之间存在差异，我们就能运用机器学习来协调这两者。”他进一步解释说：“如果实验中某个变量发生变化，模拟能否相应地做出反应？这种反应是否能在实验中得到体现？这将验证我们的假设是否准确，并判断我们是否能够调整变量或制定相应的缓解策略。” Gopalaswamy补充道：“随着机器学习对数据中模式的深入分析，我们得以提出新的假设，探索不同的物理现象，并设计更优的实验。”
Gopalaswamy还指出：“面对ICF的挑战之一是，相比庞大的猫咪图片数据库，我们训练人工智能所用的融合实验数据相对有限。在这种情况下，利用现有经验数据来弥补知识差距尤为具有挑战性。这正是为什么我们需要一个强大的系统来整合理论知识与实验实际，以帮助我们作出更明智的决策。”
美国物理学会对Betti、Gopalaswamy及其他LLE科学家的工作给予了高度认可，授予他们约翰·道森等离子体物理研究卓越奖，表彰他们在预测、设计及分析30 kJ OMEGA激光器内爆实验方面的先驱性成就。
罗切斯特激光实验室的人工智能和机器学习研究也促进了等离子体和超快激光科学与工程部门主任Dustin Froula及其团队的多项发现。在他的职业生涯中，Froula及其团队开发了多种技术，包括通过汤姆逊散射法测量等离子体温度的技术，甚至在“飞焦”技术或远距离控制激光强度方面开辟了新的研究领域。Froula指出：“人工智能和机器学习正在彻底改变我们设计实验的方式，使我们在构想下一代设施时，能够制造出更优的激光器。” 他进一步解释：“激光束光谱中的多种颜色将有助于等离子体在光束中更有效地传播，而人工智能帮助我们理解这些不同颜色与等离子体之间的复杂互动。”
最后，能源部核聚变研究中心赋予LLE国家研究中心的称号，旨在推动惯性聚变能（IFE）的发展，这是一种依靠重氢（氘和氚）原子聚变产生能量的有希望的清洁能源技术。
依托罗切斯特大学的跨学科研究优势，LLE已成功招募了几名学生，以加强融合研究中人工智能和机器学习的应用。
Gopalaswamy表示：“我们的目的是激发学生对机器学习的持续热情，进一步提升我们诊断工具的精确度。确实，我们需要人工智能专家。然而，为了确保模型的正确性和科学依据，物理学家的角色不可或缺。此外，我们还需工程师、技术专家及材料科学家等构成完整的生态系统。”
他还补充说：“随着国家对清洁能源和可持续电力的转型，人工智能在核聚变研究领域的应用前景广阔，可能成为新兴的劳动力领域。”
LLE理论部主任、机械工程系研究助理教授Valeri Goncharov指出：“人工智能是我们研究指导的重要工具。通过优化这些工具，我们可以提升研究成果。虽然这些工具为研究所带来便利，但创新的驱动力仍源自我们的智慧。在ICF研究中，大量的物理基础知识是必不可少的，我们不能仅仅依赖人工智能，人的思考和判断在这一过程中扮演着关键角色。”
原文链接：
https://www.rochester.edu/newscenter/artificial-intelligence-ai-laser-fusion-energy-research-622682/
END
扫描
微信矩阵
了解更多精彩
中国激光杂志社
爱光学
光电汇
