inertial confinement fusion
PulseAugur coverage of inertial confinement fusion — every cluster mentioning inertial confinement fusion across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI框架优化聚变能源激光脉冲形状
研究人员开发了一个名为ICF激光脉冲形状设计系统（LPDS）的新AI框架，用于优化惯性约束聚变（ICF）的激光脉冲形状。这种生成式逆向建模方法将期望的结果和弹丸配置直接映射到优化的激光脉冲，解决了传统模拟密集型方法的局限性。该系统包含一个多目标损失函数，以确保满足物理约束，并包含用于脉冲特性精细控制和编辑的机制，初步研究表明其可迁移到真实的实验数据。
-
新的ACPNN框架为图像回归模型提供自适应不确定性估计
研究人员开发了自适应一致性预测（ACPNN），这是一个新的框架，旨在为图像回归模型提供输入相关的（input-dependent）不确定性估计。该方法利用邻近样本的信息来局部调整不确定性量化，使其适用于模型输出影响关键决策的高风险应用。ACPNN在用于模拟惯性约束聚变模拟的扩散模型上进行了演示，显示了其在提供可靠和自适应不确定性估计方面的有效性。
-
AI模型ICF-DLM推进惯性约束聚变预测
研究人员开发了ICF-DLM，这是一种新颖的基于语言模型的惯性约束聚变（ICF）预测器，旨在提高国家点火装置实验的准确性并降低相关成本。该新模型将预测分解为产额、峰值时间和局部波形，并使用双向去噪和物理驱动的奖励系统。在ICFBench上的评估中，ICF-DLM与自回归LLaMA-3-8B及其他序列模型相比，峰值时间误差有所降低，在数据有限且事件稀疏的科学领域显示出潜力。
-
Co4ICF框架通过协同演化的AI模型增强聚变模拟
研究人员开发了Co4ICF，一个整合了物理信息代理模型和基于近端策略优化（PPO）的脉冲优化器的新型框架。这种协同演化方法解决了惯性约束聚变（ICF）离线训练代理模型的分布外预测问题。通过在优化器生成的数据上迭代地微调代理模型，Co4ICF纠正了外推误差并提高了预测的可靠性。在模拟中，Co4ICF在MULTI环境中实现了146.1%的归一化产额，在更复杂的2D-MULTI环境中评估时实现了246.9%的归一化产额，证明了其协同演化机制的有效性。
-
对数域Noisier2Inverse框架推动ICF图像去噪技术发展
一种新的自监督去噪框架Log-Domain Noisier2Inverse已被开发并评估，用于处理受乘性均匀噪声影响的惯性约束聚变（ICF）图像。该框架展示了显著的改进，实现了21.41 dB的平均PSNR和0.8358的SSIM，相比噪声输入有了大幅提升。该方法在ICF图像去噪方面，显著优于BM3D和Noise2Self等现有技术，并且在训练过程中完全是自监督的。
-
AI框架利用专家知识加速聚变能源发现
研究人员开发了一个 in-the-loop 元贝叶斯优化 (HL-MBO) 框架，以加速聚变能源等数据稀疏领域的科学发现。该方法将专家知识与少样本、面向不确定性的机器学习相结合，以建议最优实验。HL-MBO 在惯性约束聚变能量产率优化、分子优化以及超导材料临界温度识别方面，均展现出优于现有贝叶斯优化方法的性能。