什么？人工智能（AI）居然能够猜测聚变焚烧的成功率，还登上了威望科学期刊 Science！
这听起来有点像科幻电影中的情节，但它却现已真真实实地发生了——
这一生成式机器学习模型，由美国劳伦斯利弗莫尔国家试验室构建，以超越 70% 的概率猜测了美国国家焚烧装置（NIF）的一次聚变焚烧试验成果，即“成功焚烧”。其间，焚烧（ignition）是指聚变发生的能量超越用于试验的激光能量。
论文链接：www.science.org/doi/10.1126/science.adm8201
这一发现可能为未来从事惯性束缚聚变（ICF）试验的研讨人员供给辅导。ICF 试验运用高能激光紧缩并加热氢同位素胶囊，以引发发生聚变能的核反应，是动力缺少年代的一种高效动力解决方案。幻想一下，把地球上最强壮的激光体系对准一个细小的氢胶囊，让它释放出巨大的能量，就像把握了微型太阳。
研讨人员表明，具有“成功的猜测模型”将为聚变能研讨人员供给启示，协助他们调整试验规划，并判别未来提高激光能量及其他变量是否能够改善聚变产出与功率。
聚变焚烧猜测，为何重要？
ICF 项目旨在运用全球最大的激光体系 NIF，紧缩并加热一个含有氢同位素氘和氚（D-T）的毫米级胶囊。在紧缩过程中，D-T 燃猜中的核反应会释放出聚变能量。
ICF 功能的核算机模仿在 NIF 试验规划中十分重要。NIF 每年约进行十余次焚烧试验，研讨人员有必要依靠这些模仿来优化试验规划。为保证这些作业成功，需求开宣布能够在试验执行前精确预算可观测方针量的猜测模型。
但是，任何实践的模仿都有必要经过简化假设来下降核算成本，这一般会使模仿猜测与试验调查之间存在误差。
为了削减这种误差，以往研讨人员一般在“后处理”阶段调整模型中的不确认参数，使其与试验丈量成果相匹配。调整后的模型随后用于“预处理”阶段，进行小规模的外推，从而为未来的试验供给辅导。
虽然手动“后处理”调参办法在规划空间内的小规模外推中证明是有用的，但仍然需求开宣布具有真实猜测才能的核算机模型，以便在激光体系升ଌ无间道连续剧在线播放7;婆神h版女敢死队在线播放2269;语版在线播放级或未来高产值设备规划时为决议计划供给支撑，尤其是当这些设备将在明显不同的试验条件下运行时。因为试验数据稀缺、规划空间宽广以及模仿核算成本昂扬，量化这些不确认性变得尤为困难。
研讨团队此次提出的猜测模型，为 ICF 试验猜测建模供给了一种有远景的办法，并为其他杂乱体系的驱动模型开发供给了新的结构。
AI 怎么完成聚变焚烧猜测？
在这项作业中，研讨团队描绘了一种根据深度学习的联合信息模型，该模型结合了模仿与试验，并考虑了多种不确认性来历。
研讨团队的方针是在试验前供给聚变产值及其他要害确诊特征的定量猜测，并一起考虑不确认性，结合从前搜集的 NIF 数据、高保真度的物理模仿以及专家常识。该模型能够习惯修改后的规划，作为未来试验决议计划东西，也能在规划优化研讨中供给鲁棒性方针。
图｜猜测拟议试验变异性的作业流程。
猜测模型结合了很多模仿数据库、贝叶斯剖析以及机器学习中的搬迁学习技能，构建了一个一起根据试验数据和模仿数据的核算模型。该模型首要根据从前进行的 NIF 试验，运用一起根据模仿和试验的核算模型进行构建。该模型供给了一系列 NIF 试验中调查到的模型不确认性和试验间变异性的输入条件。随后，这些输入条件被使用于未来试验的拟议规划，根据从前试验生成预期成果的散布。
本研讨整合了多项改善技能，用于根据数据的 ICF 试验猜测建模，其间包含运用先进的高功能核算（HPC）作业流程生成的大规模模仿数据库、贝叶斯后处理剖析以及机器学习中的搬迁学习技能。
模型作为之前宣布的贝叶斯后处理剖析的扩展，量化了 2021 年至 2022 年期间进行的一系列近重复试验中的变异性。该“变异性模型”为 NIF Hybrid-E 试验的现场条件供给了预期变异性的散布，这些散布经过正在测验的规划的机器学习模型向前传达，以猜测未来试验的功能变异性。
在 2022 年 9 月，NIF 初次运用 2.05 兆焦耳（MJ）的激光能量进行 ICF 试验，这比之前的 1.9MJ 激光能量有所提高。该规划完成了超越1MJ的产出，并为进一步的功能湿&#无间道连续剧在线播放23110;神国语版在线播放提高奠定了根底。h版女敢死队在线播放
在预期以 2.05MJ 激光能量驱动的第2次试验中，研讨人员在 2022 年 12 月的焚烧成功试验一周前，使用该办法猜测该规划有 74% 的概率超越盈亏平衡产值，明显高于之前的任何规划。试验的实践成果与猜测的置信区间完全共同，其他试验可观丈量也契合预期。
此外，针对 2022 年 12 月规划的后续重复试验，其成果与猜测的变异性散布共同。模型对这些变异性的精确猜测，经过试验成果与猜测置信区间的严密共同性得到了验证。
图｜首要产值（功能方针）与 DSR（百分比）（束缚方针）的联系。
不止聚变焚烧猜测
研讨团队对一个受控的聚变试验进行了一次定量且具有物理含义的猜测，该试验完成了方针增益 >1。
该猜测模型考虑到了试验场所条件中不可避免的变异性，包含激光传输和胶囊质量的动摇、由试验丈量不确认性引起的输入条件不确认性，以及行将进行的试验的有意规划变更。
经过将从前试验的贝叶斯剖析与搬迁学习结合，高效地练习新规划的代替模型，模型能够在数天内猜测行将进行的试验预期成果散布。
该猜测模型考虑了试验场所条件中不可避免的变异性，包含激光传输和胶囊质量动摇、试验丈量不确认性引起的输入条件不确认性，以及行将进行的试验的有意规划变更。经过将从前试验的贝叶斯剖析与搬迁学习结合，高效练习新规划的代替模型。他们能够在数天内猜测行将进行的试验的预期成果散布。
这种办法为未来 NIF 试验供给了一个优化规划决议计划的时机，能够在可信、数据驱动的不确认性下进行。它不仅限于 ICF，也可使用于其他需求根据科学依据的外推法来确认杂乱工程体系新装备的研讨范畴。
整体而言，这项作业提出了一种在数据稀缺条件下的猜测建模办法，其使用规模远不止聚变焚烧。
本文来自微信大众号“学术头条”（ID：SciTouTiao），作者：羊羔，36氪经授权发布。