机器学习辅助激光脉冲整形，实现高压缩、高稳定内爆

在数十年的聚变工程实践中，人们发明了各种方法降低不稳定性，总体来说有两种思路：1）尽量减少不稳定性的初始种子，包括纳米级的靶丸精密加工、激光光斑匀滑、多光束交叠优化、激光等离子体相互作用调控等。2）提高界面处质量烧蚀和热输运来抑制不稳定性增长，这主要依靠烧蚀材料掺杂和激光脉冲整形。在工程上，激光脉冲整形相对易于实现，且能在靶丸飞行过程中实现纳秒级别的动态控制，成为抑制不稳定性的核心手段。

该成果发表在High Power Laser Science and Engineering 2023年第3期上，并被选为Editors’ Pick (Tao Tao, Guannan Zheng, Qing Jia, Rui Yan, Jian Zheng. Laser pulse shape designer for direct-drive inertial confinement fusion implosions[J]. High Power Laser Science and Engineering, 2023, 11(3): 03000e41)。

图1 双锥方案的几何构型。（a）金锥内含球壳靶；（b）4束激光辐照单侧靶表面；（c）单个激光焦斑的不均匀强度分布；（d）提取印记特征和RTI增长率特征

双锥对撞方案的几何设置如图1（a）~图1（c）所示。双锥属于直接驱动方案，有限束叠加的不对称性和光斑本身的不均匀性将“印记”在靶丸表面，使靶密度出现偏离球壳分布的小扰动，这些小扰动成为内爆加速阶段瑞利-泰勒不稳定性（Rayleigh-Taylor instability, RTI）的种子并被放大。采用机器学习随机采样大量激光波形输入流体模拟，提取印记特征和RTI增长率特征如图1（d）所示，并根据最终压缩面密度和不稳定性幅值判断波形优劣。随着采样数量的增长，机器学习逐渐总结出激光波形与内爆品质的潜在关系，并根据这个关系推动波形的进化。

图2 人工调优波形与机器学习优化波形的对比。（a）人工调优脉冲波形及其内爆流线；（b）机器学习优化波形及其内爆流线；（c）内爆印记阶段的密度扰动；（d）加速末期壳层的密度扰动

传统的脉冲调优高度依赖于研究者的经验。波形可调节自由度多，包含预脉冲形状、结构间延时、主脉冲上升斜率、主脉冲足部强度、主脉冲平台区强度等。特别是在靶丸为多层结构靶时，需要综合考虑多个压缩激波、反射波、稀疏波的相互作用，难以客观确定脉冲优化方向和优化步长。另一个关键点是，前人的优化工作中在考虑内爆性能时，常将不稳定性简单概括为飞行形状因子（IFAR，原始靶丸半径与飞行壳层厚度之比）或绝热因子，失去了对激光印记的细节（如扰动谱强度）描述，这也就不能针对特定设施的激光焦斑、光束交叠特点做出针对性的优化。

本工作中的机器学习算法适合探索巨大的参数空间，能客观、高效率地寻找到内爆性能极值点，自动实现内爆波系匹配；此外，机器学习完整保留了激光印记的谱特征，考虑了激光印记和RTI的耦合发展，更加贴近装置实际。图2对比了实验中的人工调优波形与机器学习优化波形，机器优化波形通过预脉冲创造了更长的等离子体标长，增加了对激光印记的抗性，降低了RTI增长率。机器优化内爆在压缩面密度相仿的情况下，将非混合的燃料层厚度提升了4倍。本工作是机器学习方法赋能实验后，实现高可信度快速迭代优化的成功应用案例。

机器学习优化方法具有天然的可扩展性，未来会将靶丸结构、烧蚀材料、激光排布等更多可调参数纳入综合优化。同时，会将制靶误差、激光整形误差纳入贝叶斯推断等模型，为实验方案提供综合、定量的风险评估。