加州大学圣巴巴拉分校与劳伦斯利弗莫尔国家实验室合作用AI加速聚变等离子体模拟

加州大学圣巴巴拉分校 (University of California, Santa Barbara, UCSB) 与劳伦斯利弗莫尔国家实验室 (Lawrence Livermore National Laboratory, LLNL) 正开展一项新合作，尝试将人工智能引入极端等离子体模拟，以加快核聚变和高能量密度物理研究中的关键计算。

加州大学圣巴巴拉分校教授 Haewon Jeong 的博士生 Neel Sankaran(左)与劳伦斯利弗莫尔国家实验室科学家 Min Sang Cho(右)合影

该项目由加州大学圣巴巴拉分校电子与计算机工程系助理教授郑海媛 (Haewon Jeong) 牵头。项目从LLNL学术合作团队收到的29个申请中遴选而出，是入选的5个项目之一，将获得LLNL为期三年、每年53.6万美元的资助。郑海媛团队将与LLNL科学家合作，其中共同首席研究员包括赵敏相 (Min Sang Cho)。双方计划构建由人工智能驱动的代理模型，大幅缩短大规模等离子体模拟所需时间。

郑海媛表示，物理模拟往往计算成本很高，代理模型尤其是人工智能代理模型，可以通过从数据中学习来近似模拟结果，从而减少对直接求解偏微分方程的依赖，并以更低计算成本完成相关任务。

该项目名为“基于机器学习的非局域热力学平衡动力学”，融合机器学习、等离子体物理和高性能计算等方向，重点面向非局域热力学平衡 (non-LTE) 等离子体。此类等离子体处于极端物质状态，传统简化假设在其中可能失效，精确模拟难度很高。

在激光聚变研究中，超强激光照射薄固体靶后，会使材料电离并形成高能等离子体，进而释放X射线。这些X射线可用于将聚变燃料压缩至发生聚变所需的极端条件。郑海媛说，准确模拟相关原子状态，对于理解能量吸收、辐射产生以及如何更高效地驱动聚变具有重要意义。

这类计算之所以困难，是因为等离子体中存在大量原子和粒子相互作用，并且这些过程会在时间和空间尺度上同时发生。现有模拟程序能够以较高精度描述相关物理过程，但通常需要大量计算资源和较长运行时间。为解决这一问题，项目将结合神经压缩、生成建模和时间序列预测等机器学习方法，用于提取复杂系统中的关键模式。

赵敏相表示，激光聚变被认为是未来清洁能源研究的重要科学路径之一。LLNL曾在2022年实现聚变点火，但要将聚变推进至实际能源生产阶段，还需要进一步理解辐射和能量在聚变等离子体中的传输机制，特别是在复杂的非局域热力学平衡状态下，这些机制会影响能量流动和系统整体性能。

他指出，相关计算耗时较长，常成为大规模设计研究和整体模拟中的瓶颈。如果能够显著加快计算速度，研究人员将有条件探索更广泛的等离子体参数区间，并更有效地分析聚变系统中辐射与能量传输的物理规律。

参与项目的郑海媛团队一年级博士生尼尔·桑卡兰 (Neil Sankaran) 表示，团队正在利用机器学习简化极其复杂的等离子体系统，同时保留其基本物理特征。他说，直接模拟每一个微观相互作用并不现实，研究目标是在不逐一计算所有细节的情况下，捕捉对系统行为真正重要的模式。

此次合作也体现出高校与国家实验室在交叉科学研究中的互补作用。加州大学圣巴巴拉分校在人工智能和计算建模方面具备研究基础，LLNL则长期从事等离子体物理、激光聚变和高能量密度物理研究。双方希望通过结合各自优势，开发可嵌入现有科研流程的人工智能代理模型。

郑海媛表示，LLNL已拥有用于核聚变和极端等离子体环境研究的激光驱动等离子体物理模拟代码。如果新的人工智能代理模型能够整合进这些工作流程，并成为科研人员日常使用和信赖的工具，将意味着项目取得实质性成功。她还表示，团队希望推动人工智能代理模型从实验性研究思路，发展为科学计算中可靠的一部分。