基于大语言模型的惯性约束熔融预测

受控熔融能源被视为人类文明发展的关键。本研究引入了 $\textbf{LPI-LLM}$，一种新型的大语言模型（LLM）与经典储备计算范式的集成，旨在解决惯性约束熔融（$\texttt{ICF}$）中关键挑战——激光-等离子体不稳定性（$\texttt{LPI}$）的预测问题。我们的 метод 方案包含以下几个关键贡献：首先，我们提出了 $\textit{LLM-anchored Reservoir}$，并增添了 $\textit{Fusion-specific Prompt}$，以准确预测 $\texttt{LPI}$ 产生的热电子在冲击阶段的动力学。其次，我们开发了 $\textit{Signal-Digesting Channels}$ 对驱动激光强度在时间上的特征进行时空描述，捕捉 $\texttt{ICF}$ 输入的独特特征。最后，我们设计了 $\textit{Confidence Scanner}$ 来量化预测的置信水平，为领域专家提供设计 $\texttt{ICF}$ 流程的宝贵见解。广泛的实验结果表明，我们的方法在预测 $\texttt{ICF}$ 冲击中热电子发射的硬 X 射线（$\texttt{HXR}$）能量方面表现卓越，分别实现了 1.90 CAE、0.14 $\texttt{top-1}$ MAE 和 0.11 $\texttt{top-5}$ MAE，与当前最佳系统的对比结果均为领先。此外，我们还提出了 $\textbf{LPI4AI}$，首个基于物理实验的 $\texttt{LPI}$ 基准数据集，旨在激发 $\texttt{LPI}$ 研究的新想法，提升大语言模型在科学探索中的实用性。总体而言，本工作致力于为推动熔融能源发展构建 AI 与 $\texttt{ICF}$ 之间的创新协同作用。