加州大学发布《面向聚变能的多保真度方法》白皮书- 大数跨境

核聚变商业化

2026-07-03

点击 核聚变商业化关注我们

导语

2026年6月30日，加州大学洛杉矶分校纯粹与应用数学研究所（IPAM）发布了《面向聚变能的多保真度方法》白皮书。

聚变系统具有极端的多尺度与多物理场特性，高保真模拟成本极高。利用多保真度方法（MFM）及智能工具可大幅降低计算成本并加速商业聚变部署。

以下为白皮书核心内容分享。

图片来源：公开资料

🔥 项目简介：该项目是由加州大学洛杉矶分校纯粹与应用数学研究所（IPAM）于2026年3月9日起举办的“面向聚变能的多保真度方法”长期驻研项目（为期14周）。

核心阵容：项目由来自谷歌DeepMind、美国劳伦斯利弗莫尔国家实验室、德国马普等离子体物理研究所、麻省理工学院（MIT）及哥伦比亚大学等全球顶尖机构的物理学家、数学家和AI专家共同组织参与。
项目价值：商业核聚变的传统高保真模拟计算极其昂贵，无法满足反应堆设计与实时控制的迫切需求。该项目通过推动多保真度数学模型与AI智能体的深度融合，能将计算成本降低数个数量级。这直接解决了核聚变数字孪生、深度优化和实时控制的计算瓶颈，并与美国能源部（DOE）的《聚变科学与技术路线图》国家级战略高度契合，是加速核聚变商业化部署的关键技术风向标。

内容分享

一、物理驱动与数据驱动的聚变模型集成

聚变等离子体物理模型通常构成一个平衡保真度与计算成本的层级体系，从高保真度的动力学（Kinetic）、回旋动理学（Gyrokinetic）模型，向下延伸至矩方法、多流体和磁流体力学（MHD）模型。

然而，传统物理简化模型受限于先验近似。

白皮书指出，基于数据的降阶模型（如本征正交分解POD、动态模式分解DMD、张量网络和高斯过程），以及卷积神经网络（CNN）和生成式扩散模型，能够打破传统物理约束，直接从高保真模拟或实验数据中学习到底层结构。

数据的获取与标准化是关键瓶颈。当前聚变领域需要向FAIR原则（可发现、可访问、互操作、可重用）靠拢，利用IMAS（集成建模与分析套件）和FAIR-MAST等开放数据库，并推动基础模型（如TokaMind）向多装置、多概念泛化。

近期进展包括利用DMD开发适用于仿星器的多模准线性模型，以及通过POD-Galerkin投影构建非线性回旋动理学降阶模型。

二、降低与表征不确定性的多保真度方法

在实验诊断噪声和模拟输入参数极具不确定性的背景下，验证、确认与不确定性量化（VVUQ）对预测未来装置性能至关重要。

前向不确定性传播与方差缩减：借助多级蒙特卡洛（MLMC）及多保真度蒙特卡洛（MFMC）等控制变量技术，可利用低保真模型大幅降低高保真评估的方差。这对模拟中子学和高能粒子输运等罕见事件尤为有效。
逆问题与贝叶斯推断：针对因极端计算成本和高维参数空间导致的马尔可夫链蒙特卡洛（MCMC）推断难题，延迟接受（Delayed Acceptance）方案和多保真度数据同化技术展现了巨大潜力。弗吉尼亚理工大学与科罗拉多大学博尔德分校合作，已成功将稀疏网格UQ应用于托卡马克偏滤器热负荷预测的代理模型构建中。

三、支持多保真度的数值算法与计算加速

先进数值方法为多保真度框架提供了底层支持：

高保真度模拟加速

利用张量网络（Tensor Networks）开发玻尔兹曼碰撞算子，能有效克服高保真动力学（如Vlasov-Maxwell系统）的“维数灾难”；借鉴经典流体力学的大涡模拟（LES）结合机器学习闭合项，为磁化等离子体湍流提供了新方案。

可微编程

将科学计算代码移植到JAX或PyTorch等支持自动微分的框架中，使求解器能内嵌神经网络并在GPU/TPU上运行，直接获取梯度信息以支持Adam或Newton-Krylov优化。目前，可微回旋动理学求解器iGENE已完成向JAX的移植。

形式化正确性证明

利用领域特定语言（DSL）和Lean证明语言，研究人员正在为可压缩欧拉方程和MHD方程构建在数学结构和物理守恒律上具有形式化正确性证明（Formal Certificates of Correctness）的数值方法。

四、聚变装置设计与优化的多保真度方法

反应堆设计需要权衡物理、工程与经济目标，而高保真度指标（如回旋动理学湍流评估）计算极为昂贵。多保真度方法使得深度集成优化成为可能：

多尺度模型与核心-边缘耦合：当前迫切需要能进行快速预测且自洽的核心-边缘耦合方案，如将4D回旋动理学边缘/偏滤器模型与中性粒子模型相结合。
系统工程与稳健优化：在惯性约束聚变（ICF）中，多保真度贝叶斯方法和深度学习代理模型已被用于优化国家点火装置（NIF）的靶丸设计。而在磁约束聚变中，需将蒙特卡洛方法嵌入优化循环，利用多保真度方差缩减来评估线圈制造与安装误差等实际工程不确定性对性能的影响。

五、面向实时控制的多保真度方法

反应堆级别的聚变装置面临诊断数据稀疏嘈杂、多目标控制耦合以及系统延迟长等严峻挑战。

状态估计与控制限制：由于反应堆内部难以进行频繁的物理访问且核环境会导致传感器退化，未来的等离子体控制将高度依赖基于模型的状态估计（如结合传统卡尔曼滤波与生成式AI）来填补有限测量数据与全状态重构之间的信息差。
控制感知降阶模型与协同设计：传统的无模型PID控制难以应对复杂的非线性动态过程，模型预测控制（MPC）成为主流趋势。这就要求开发高效的、面向控制的非线性降阶模型。此外，必须改变“先设计再控制”的传统模式，在早期设计阶段就引入控制协同设计（Co-design），综合考量瞬态动力学与极端事件（如ELMs）。

六、赋能自主科学发现的智能体工作流

基于大语言模型与工具调用系统结合的AI智能体，正在重塑高性能计算（HPC）工作流，显著降低多保真度方法的部署门槛：

代码迁移与自动执行：智能体已能够全自动完成回旋动理学代码GENE在多台HPC上的部署、环境配置、编译与测试。近期，智能体协助完成了GENE-3D的代码重构、Gkeyll代码向AMD GPU的移植，以及在Perlmutter超级计算机上全自动运行OSIRIS以开展激光-等离子体相互作用研究。
自主层级：智能体在聚变领域的应用正从“辅助型”（辅助选择模型与数据）向“半监督型”（规划计算战役）乃至“完全自主型”（根据动态需求完全自主适配多保真度方法）演进。