维度网讯，核聚变领域多保真度方法白皮书发布，聚焦AI与数字孪生加速商业化一份关于核聚变领域多保真度方法的白皮书系统阐述了如何通过物理驱动与数据驱动模型集成，解决聚变能开发中的核心挑战。该白皮书探讨了包括机器学习、多保真度降阶模型以及AI智能体在内的前沿技术，旨在通过构建预测性数字孪生，加速聚变能商业化进程。

在物理驱动与数据驱动模型集成方面，白皮书指出，聚变等离子体物理模型构成一个从高保真度的动力学（Kinetic）、回旋动理学（Gyrokinetic）模型到磁流体力学（MHD）模型的层级体系。然而，传统物理简化模型受限于先验近似。数据驱动的降阶模型（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，能够直接从高保真模拟或实验数据中学习底层结构，打破传统物理约束。数据的获取与标准化是关键瓶颈，当前聚变领域需向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。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。

在降低与表征不确定性方面，白皮书强调了验证、确认与不确定性量化（VVUQ）对预测未来装置性能的重要性。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。针对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。

先进数值方法为多保真度框架提供了底层支持。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。

可微编程方面，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。目前，可微回旋动理学求解器iGENE已完成向JAX的移植。

在形式化正确性证明方面，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。

在聚变装置设计与优化方面，多保真度方法使得深度集成优化成为可能。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。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。在磁约束聚变中，需将蒙特卡洛方法嵌入优化循环，评估线圈制造与安装误差等工程不确定性对性能的影响。

面向实时控制的多保真度方法，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。模型预测控制（MPC）成为主流趋势，这要求开发高效的、面向控制的非线性降阶模型。此外，需在早期设计阶段引入控制协同设计（Co-design），综合考量瞬态动力学与极端事件。

在赋能自主科学发现方面，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。智能体已能够全自动完成回旋动理学代码GENE在多台HPC上的部署和环境配置，并协助完成了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。智能体在聚变领域的应用正从辅助型向完全自主型演进。

构建以预测性为核心的聚变数字孪生是该领域的长期目标。这不仅需要高保真与低保真模型的策略性融合，更依赖于稳健的VVUQ框架来确立模拟决策的可信度。本白皮书探讨的方向与美国能源部（DOE）近期发布的《创世纪任务国家科学技术挑战项目申请指南》（Genesis Mission RFA）以及《聚变科学与技术路线图》（FS&T Roadmap）高度一致，后者明确将AI与多保真度计算、数字孪生及设施设计优化列为加速聚变能商业化的优先任务。