面向惯性约束聚变预测的分解引导扩散语言模型

arXiv:2609.07756v2 公告类型：替换 摘要：惯性约束聚变（ICF）是实现清洁能源的主要途径之一，但 National Ignition Facility 的每次实验成本高达约一百万美元，因此，构建准确的 AI 代理模型具有极高价值。我们研究由外生变量驱动的 ICF 波形预测问题：在没有观测到任何历史响应的情况下，仅根据激光脉冲和靶丸设计参数，直接推断一个包含 512 个时间步的中子率诊断信号。该场景对标准时间序列预测器提出了严峻挑战，包括时间稀疏性（纳秒时间窗口中的皮秒级峰值）、输入输出规模不匹配（少于 300 次真实实验）以及峰值敏感性（皮秒级时序）。我们提出 ICF-DLM，据我们所知，这是首个基于 LM 的 ICF 预测器。该方法结合了：（i）按照物理意义进行分解，将目标划分为产额 $Y_{DT}$、峰值时刻 $t_{\mathrm{peak}}$ 和局部波形 $w_{\mathrm{local}}$；（ii）双向去噪，延后对峰值位置的确定；（iii）由物理驱动的 PPO 奖励，将指标结构重新注入数值词元中。在 ICFBench（50K 次模拟实验 + 232 次实验观测）上，相较于规模匹配的自回归 LLaMA-3-8B，ICF-DLM 将峰值时序误差从 11.6 个时间步降至 9.2 个时间步，并且优于经典序列模型和基于 LLM 的时间序列预测器。除 ICF 外，该方法也有望应用于数据量少且事件稀疏的科学领域。