本所声明  |  联系方式  |  中国科学院  |  数字认证(OA)   |  ARP  |  English  |  邮箱
新闻动态 > 科研动态

超强激光科学卓越创新简报

(第八百一十一期)

2026年8月19日

上海光机所发表《机器学习在惯性约束聚变中的应用、挑战与展望》综述论文

近日，中国科学院上海光学精密机械研究所范薇研究员团队于Laser & Photonics Reviews发表题为“Machine Learning in Inertial Confinement Fusion: Applications, Challenges, and Prospects”的综述文章。文章系统地探讨了机器学习赋能激光惯性约束核聚变（ICF）研究的总体需求与技术路线，梳理了近年来机器学习在ICF中的研究进展，具体涵盖激光精密调控与优化、高功率激光装置智能化运维与管理、以及物理实验优化设计与分析等核心方向，并对机器学习驱动ICF研究的技术路线与未来趋势做出展望。本综述旨在完整梳理机器学习与高功率激光、聚变物理交叉领域研究脉络，为下一代智能化ICF驱动器与实验平台建设提供技术参考。

ICF实验涉及激光、靶物理与诊断的多维度精密协同，实验成本高昂且成功点火数据极为稀缺，传统仿真受限于计算效率与物理近似误差。机器学习凭借其强大的数据驱动建模能力，近年来在ICF研究的多个核心方向上取得了系列突破性进展。

该综述系统总结了机器学习在ICF全链路中的应用成果与发展脉络。在激光智能调控方面，多种神经网络模型用于激光脉冲预测与调控、光束空间分布建模与激光光束质量评估、波前实时重建及倍频晶体自动准直等任务，在处理非解析物理因素、补偿传统物理模型不足方面展现出显著潜力。在装置智能运维方面，从传统机器学习算法到深度学习模型，AI技术已被系统应用于光学损伤检测、分类、尺寸测量与生长预测，在微小缺陷识别、检测效率提升与修复决策辅助方面优势突出；基于深度学习的运行数据分析亦为装置的长期稳定运行与预测性维护提供了全新支撑。在聚变物理实验方面，机器学习已深度介入从设计到诊断的全流程：高斯过程与深度学习等工具用于脉冲整形、靶丸结构及黑腔构型优化，显著缩短设计周期；多种预测模型结合可解释性方法，揭示中子产额、内爆速度等关键指标背后的物理影响规律；在诊断层面，深度学习支撑图像重建、三维形貌反演及不稳定性预测，大语言模型亦开始探索应用；在仿真层面，深度神经网络替代了非局域热平衡光谱、α粒子输运等极为耗时的建模环节，实现数个量级的加速。尤为值得关注的是，迁移学习与多保真度优化策略通过仿真预训练结合实验微调，有效弥合了仿真与实验的偏差，为稀缺的高成本点火数据提供了新的分析路径。

文章剖析了当前机器学习应用于ICF的四大挑战：数据稀缺致模型训练困难，仿真与实验存在偏差；深度学习“黑箱”特性削弱了物理可信度；模型泛化能力不足；与现有控制系统的工程集成尚未成熟。对此，综述提出“数据驱动+物理驱动”的融合策略是提升泛化能力与物理可信度的关键技术路径，需要推进集成多智能体与大语言模型的全流程自动设计平台建设与验证，并明确了未来的重点发展方向：以迁移学习和少样本学习缓解数据瓶颈，借助物理定律构建不确定性量化与可解释性分析以增强模型可靠性，依托控制反馈平台支撑激光智能管控，并探索大语言模型与生成式AI推动自主实验设计与多模态诊断融合。机器学习需要从ICF研究的“辅助工具”向“主动设计者”转变，重点在于多尺度多物理场耦合建模、主动智能推断与动态闭环控制，并强化物理先验对模型架构的引导作用。

机器学习与ICF研究的深度融合，正推动激光精密调控、驱动器智能化升级与内爆性能优化从基础研究迈向工程部署。

本工作中，上海光机所陈伟为第一作者，范薇研究员为通讯作者。相关研究得到了中国科学院战略先导科技专项（XDA25020101、XDA25020303）等项目支持。

原文链接

图1 机器学习在ICF研究中的应用概述

图2 机器学习赋能ICF研究的技术路线展望

附件下载：

copyright 2000- 中国科学院上海光学精密机械研究所 沪ICP备05015387号-1
主办：中国科学院上海光学精密机械研究所 上海市嘉定区清河路390号(201800)

转载本站信息，请注明信息来源和链接。 沪公网安备 31011402010030号


上海光机所
微信公众号

尚光聚力
微信公众号