用于惯性约束融合预测的分解引导扩散语言模型

惯性约束核聚变 (ICF) 是实现清洁能源的主要途径，但国家点火设施的每次发射成本约为 100 万美元，这使得精确的人工智能替代品成为高价值目标。我们研究外源驱动的 ICF 波形预测，其中 512 步中子速率诊断必须直接从激光脉冲和目标设计参数推断，没有观察到历史响应。该制度强调标准时间序列预测器具有时间稀疏性（纳秒窗口中的皮秒峰值）、输入输出尺度不匹配（低于 300 个真实镜头）和峰值灵敏度（皮秒定时）。我们提出了 ICF-DLM，据我们所知，这是第一个基于 LM 的 ICF 预测器，它将 (i) 物理类型分解结合为产量 $Y_{DT}$、峰值时序 $t_{\mathrm{peak}}$ 和局部波形 $w_{\mathrm{local}}$； (ii) 双向去噪，推迟对峰值位置的承诺； (iii) 物理驱动的 PPO 奖励在数字词元中重新注入度量结构。在 ICFBench（50K 模拟 + 232 个实验镜头）上，ICF-DLM 比匹配的自回归 LLaMA-3-8B 将峰值定时误差从 11.6 步减少到 9.2 步，并且优于经典序列模型和基于 LLM 的时间序列预测器。除了 ICF 之外，该方法还显示出解决数据量少和事件稀疏的科学领域的潜力。