Symulacje fuzyjne AI UCSB i LLNL celują w kosztowne wąskie gardło badawcze

UCSB i Lawrence Livermore National Laboratory rozpoczęły trzyletni projekt o wartości 1,608 mln dolarów, którego celem jest przyspieszenie części najkosztowniejszych obliczeń w badaniach nad fuzją jądrową. Projekt symulacji fuzyjnych AI UCSB i LLNL będzie szkolić modele zastępcze oparte na uczeniu maszynowym, aby przybliżać szczegółowe modele plazmy za ułamek ich kosztu obliczeniowego.

Cel ten wiąże się z istotnym napięciem. Szybsze modele pozwoliłyby badaczom testować więcej warunków plazmowych i porównywać więcej projektów reaktorów fuzyjnych. Skrót staje się jednak naukowo użyteczny tylko wtedy, gdy naukowcy wiedzą, w jakich granicach jego prognozy pozostają wiarygodne.

Partnerstwo to oznacza zatem coś więcej niż kolejną próbę dołączenia AI do istniejącego programu badawczego. Sprawdza, czy wyuczone modele mogą przejść od pojedynczych demonstracji do codziennych, wysokostawkowych procesów naukowych.

Bezpośrednim przeciwnikiem nie jest inne laboratorium ani firma fuzyjna. Jest nim wąskie gardło obliczeniowe tworzone przez samą fizykę plazmy o wysokiej wierności. Istniejące kody dostarczają szczegółowych obliczeń potrzebnych naukowcom, lecz ich koszt ogranicza zakres badania możliwych warunków przez zespoły.

Podobne prace pojawiają się już w całym obszarze fuzji. Departament Energii umieścił modele zastępcze, cyfrowe bliźniaki i optymalizację wspomaganą przez AI w swojej szerszej mapie drogowej badań nad fuzją. LLNL wykorzystuje także agentów AI do projektowania celów dla fuzji inercyjnej.

Współpraca UCSB koncentruje się na wcześniejszym etapie tego procesu. Jej celem jest przyspieszenie obliczeń opisujących, jak materia pochłania energię i emituje promieniowanie w ekstremalnych warunkach. Jeśli obliczenia te staną się szybkie i niezawodne, mogą wspierać większe badania projektowe bez zastępowania leżącej u ich podstaw fizyki.

Co zmienia projekt symulacji fuzyjnych AI UCSB i LLNL

Współpraca celuje w konkretne wąskie gardło modelowania, zamiast obiecywać reaktor fuzyjny zaprojektowany przez AI.

Projekt nosi nazwę „Machine-learned Non-LTE Kinetics”. Non-LTE oznacza nierównowagowy lokalnie stan termodynamiczny, w którym materii nie można opisać za pomocą pojedynczego, zrównoważonego rozkładu temperatury.

Takie warunki występują w plazmach napędzanych laserowo oraz innych środowiskach o wysokiej gęstości energii. Elektrony, jony i promieniowanie wymieniają energię, podczas gdy plazma szybko się zmienia. Znane założenia równowagowe przestają zapewniać wystarczający opis.

Według ogłoszenia projektu, propozycja była jedną z pięciu wybranych spośród 29 zgłoszeń do Academic Collaboration Team LLNL. Otrzymuje 536 000 dolarów rocznie przez trzy lata.

Haewon Jeong, adiunktka inżynierii elektrycznej i komputerowej na UCSB, kieruje zespołem uniwersyteckim. Jej grupa rozwija metody uczenia maszynowego dla złożonych systemów naukowych. Naukowiec LLNL Min Sang Cho pełni funkcję współgłównego badacza.

Neel Sankaran, doktorant w grupie Jeong, również pracuje nad projektem. Wspólnie badacze budują modele zastępcze, czyli wyuczone przybliżenia wolniejszych symulacji numerycznych.

Konwencjonalna symulacja plazmy wielokrotnie rozwiązuje równania matematyczne opisujące oddziaływania fizyczne. Praca ta może pochłaniać znaczny czas obliczeniowy, gdy model obejmuje wiele stanów atomowych, lokalizacji i kroków czasowych.

Model zastępczy działa inaczej. Badacze najpierw generują zaufane dane symulacyjne dla wybranych warunków. Następnie system uczenia maszynowego poznaje zależności między danymi wejściowymi a wynikami w tym zbiorze danych.

Po wytrenowaniu model zastępczy może szacować wyniki bez powtarzania każdego pierwotnego obliczenia. Nie eliminuje bazowego kodu symulacyjnego. Zamiast tego ma ograniczać częstotliwość, z jaką badacze muszą uruchamiać ten kod bezpośrednio.

Jeong opisała cel jako pominięcie wielokrotnego rozwiązywania równań różniczkowych cząstkowych i przybliżanie ich wyników przy niższym koszcie obliczeniowym. Równania różniczkowe cząstkowe opisują, jak wielkości fizyczne zmieniają się w przestrzeni i czasie.

Zespół planuje połączyć kompresję neuronową, modelowanie generatywne i prognozowanie sekwencji czasowych. Kompresja neuronowa przedstawia złożone informacje w mniejszej, wyuczonej formie. Prognozowanie sekwencji czasowych szacuje, jak system rozwija się poprzez kolejne stany.

Metody te dotyczą różnych elementów tego samego wyzwania. Obliczenia plazmy wytwarzają dane wysokowymiarowe, podczas gdy badania nad fuzją wymagają prognoz w wielu powiązanych warunkach. Kompresowanie i przewidywanie tych informacji mogłoby uczynić szerokie przeszukiwanie parametrów praktycznym.

Znaczenie projektu zależy od integracji. Jeong stwierdziła, że ostatecznym sprawdzianem byłoby wdrożenie w istniejących przepływach pracy LLNL dotyczących symulacji laserowo-plazmowych. Ten standard jest bardziej wymagający niż uzyskanie korzystnych wyników w benchmarku badawczym.

Codzienne zastosowanie naukowe wymaga niezawodnego oprogramowania, odtwarzalnych wyników, udokumentowanych ograniczeń i jasnych procedur walidacji. Wymaga też, aby naukowcy rozumieli, kiedy model zastępczy powinien ustąpić miejsca pełnemu kodowi fizycznemu.

To tworzy główny konflikt artykułu. Szybkość obliczeniowa ma wartość tylko wtedy, gdy zachowuje wystarczającą dokładność fizyczną dla podejmowanej decyzji.

Dlaczego obliczenia plazmy Non-LTE stają się wąskim gardłem

Badacze fuzji potrzebują więcej niż jednego dokładnego obliczenia, ponieważ prace projektowe zależą od porównania tysięcy możliwych warunków.

W fuzji inercyjnej intensywne wiązki laserowe dostarczają energię do niewielkiego celu zawierającego paliwo fuzyjne. W National Ignition Facility LLNL energia laserowa wytwarza promieniowanie rentgenowskie, które ściska kapsułę z deuteru i trytu.

Otaczający materiał przekształca się w energetyczną plazmę. Populacje atomowe, zachowanie elektronów, promieniowanie i właściwości materiału zmieniają się jednocześnie. Naukowcy muszą modelować te interakcje, aby zrozumieć, gdzie energia się przemieszcza i gdzie jest tracona.

Zachowanie Non-LTE komplikuje to zadanie, ponieważ plazma nie pozostaje w prostym stanie równowagi. Różne procesy atomowe zachodzą w różnych skalach czasowych. Promieniowanie może również przenosić energię między obszarami o bardzo odmiennych warunkach.

Użyteczny model musi śledzić wystarczająco dużo szczegółów atomowych, aby przewidywać emisję, absorpcję i jonizację. Obliczenia te mogą stać się wąskim gardłem, gdy są osadzone w szerszej symulacji hydrodynamiki promieniowania.

Jedna kosztowna ewaluacja może być jeszcze możliwa do wykonania. Kampania projektowa jest trudniejsza, ponieważ badacze muszą zmieniać geometrię celu, skład materiałowy, czasowanie laserów i niepewne parametry fizyczne.

Powtarzane symulacje pomagają naukowcom wskazywać obiecujące projekty i rozumieć ich czułość. Wspierają również kwantyfikację niepewności, która mierzy, jak niedoskonałe dane wejściowe wpływają na wnioski modelu.

Potrzeba ta stała się wyraźniejsza po osiągnięciu przez LLNL zapłonu fuzyjnego 5 grudnia 2022 roku. W tym eksperymencie obiekt dostarczył 2,05 megadżula energii laserowej i wytworzył 3,15 megadżula energii fuzyjnej.

Liczby te potwierdziły naukowy zysk energii na celu. Nie oznaczały jednak powstania komercyjnej elektrowni, ponieważ obiekt zużył znacznie więcej całkowitej energii, niż dotarło do kapsuły.

Rekord zapłonu pokazał także, jak wrażliwe mogą być wyniki. Cztery wcześniejsze eksperymenty nie zdołały odtworzyć najsilniejszego wyniku z 2021 roku, częściowo dlatego, że znaczenie miały drobne różnice w celach.

Badacze ostatecznie dostosowali impuls laserowy i zastosowali grubszą kapsułę. Udany eksperyment opierał się na ulepszeniach obejmujących jakość celu, diagnostykę, symulacje i wydajność lasera.

Ta historia wyjaśnia, dlaczego szybsze modelowanie plazmy ma znaczenie. Postęp w fuzji nie wynika z oceny jednego wyidealizowanego projektu. Wynika z mapowania, jak niewielkie zmiany rozchodzą się w ściśle sprzężonym systemie.

Model zastępczy, który szybko ocenia kinetykę Non-LTE, mógłby umożliwić badaczom analizę szerszego zakresu warunków. Mógłby również wspierać symulacje zespołowe, które uruchamiają wiele powiązanych przypadków w celu określenia niepewności lub zmienności.

Model musi jednak zachować cechy kontrolujące transport promieniowania. Szybka średnia prognoza miałaby niewielką wartość, gdyby usuwała rzadkie stany decydujące o powodzeniu celu.

Projekt atakuje zatem problem przepustowości wewnątrz metody naukowej. Badacze dysponują już szczegółowymi kodami fizycznymi, lecz koszt obliczeniowy ogranicza częstotliwość ich użycia.

To rozróżnienie oddziela tę pracę od ogólnych twierdzeń dotyczących AI. Zespół nie prosi chatbota o wynalezienie fizyki fuzji. Trenuje wyspecjalizowane modele na wynikach uzyskanych przez uznane obliczenia naukowe.

Zamierzonym rezultatem jest więcej iteracji naukowych na jednostkę czasu obliczeniowego. Mogłoby to skrócić drogę od hipotezy do przetestowanego projektu, nawet jeśli każdy końcowy wniosek nadal wymaga weryfikacji o wysokiej wierności.

Prawdziwa rywalizacja to szybkość kontra zaufanie naukowe

Projekt odniesie sukces tylko wtedy, gdy jego modele zastępcze pozostaną wiarygodne, gdy warunki plazmowe wyjdą poza znane przykłady treningowe.

Modele zastępcze oparte na uczeniu maszynowym dobrze nadają się do interpolacji. Mogą szacować wyniki między warunkami reprezentowanymi w danych treningowych, pod warunkiem że bazowe zależności pozostają wystarczająco regularne.

Ekstrapolacja jest bardziej niebezpieczna. Model może zwrócić odpowiedź wyglądającą na pewną dla danych wejściowych znacznie wykraczających poza zakres treningowy, nawet jeśli odpowiedź ta narusza oczekiwania fizyczne.

Badacze fuzji rutynowo interesują się nietypowymi reżimami. Sam zapłon zachodzi w pobliżu progów, gdzie małe zmiany mogą prowadzić do gwałtownie odmiennych wyników. Model, który wygładza takie przejścia, mógłby wprowadzać badanie projektowe na błędny tor.

Rzadkie dane tworzą kolejny problem. Symulacje o wysokiej wierności są kosztowne, więc zespół nie może generować nieograniczonej liczby przykładów treningowych. Każde nowe obliczenie musi być starannie wybrane, aby pokryć istotne obszary przestrzeni parametrów.

Szum i zmieniające się warunki mogą dodatkowo osłabiać prognozy. Badanie opublikowane w Nature Machine Intelligence wykazało, że dokładność modeli zastępczych może pogarszać się, gdy dane są zaszumione, rzadkie lub dynamiczne.

W badaniu zaproponowano ciągłą walidację i próbkowanie kierowane przez optymalizator. Model jest sprawdzany względem nowych ewaluacji i ponownie trenowany, gdy jego wydajność spada poniżej określonego progu.

Podobna dyscyplina będzie ważna dla symulacji fuzyjnych AI UCSB i LLNL. Zespół będzie potrzebował mierzalnych granic ważności, a nie pojedynczego średniego wyniku dokładności.

Walidacja powinna porównywać prognozy modelu zastępczego z wstrzymanymi symulacjami o wysokiej wierności w różnorodnych stanach plazmy. Powinna także kłaść nacisk na rzadkie, lecz istotne błędy, zamiast wyłącznie na typowe przypadki.

Ograniczenia fizyczne oferują kolejne zabezpieczenie. Prawa zachowania i znane symetrie można uwzględnić w projekcie modelu lub celach treningowych. Ograniczenia te redukują przestrzeń wyników, które system AI może generować.

Jednak uwzględnienie fizyki nie oznacza automatycznie poprawności. Model może spełniać wybrane ograniczenia, pomijając inne interakcje. Badacze nadal muszą sprawdzać, czy jego błędy wpływają na decyzję podejmowaną na dalszym etapie.

Równie ważne są szacunki niepewności. Użyteczny model zastępczy powinien wskazywać, kiedy jego pewność osłabła, umożliwiając przepływowi pracy wywołanie pierwotnej symulacji.

Taki układ tworzy praktyczny podział pracy. Wyuczony model szybko obsługuje znane warunki. Kod fizyczny zajmuje się przypadkami niepewnymi lub o wysokiej stawce oraz generuje nowe przykłady treningowe.

Aktywne uczenie może połączyć te warstwy. System identyfikuje dane wejściowe, dla których dodatkowe informacje poprawiłyby prognozy, a następnie zleca ukierunkowane symulacje o wysokiej wierności.

Taka pętla sprzężenia zwrotnego jest bardziej wiarygodna niż traktowanie modelu zastępczego jako trwałego zamiennika. Pozwala też przekształcić oszczędności obliczeniowe w lepsze pokrycie zbioru danych, zamiast zakładać, że dane początkowe są kompletne.

Największym ryzykiem jest cicha awaria. Symulacja, która się zawiesza, sygnalizuje swoje ograniczenie. Model zastępczy może natomiast wygenerować wiarygodnie wyglądającą liczbę, która trafi do większego obliczenia, nie zwracając na siebie uwagi.

Dlatego szybkości musi towarzyszyć możliwość śledzenia wyników. Naukowcy potrzebują zapisów wskazujących wersję modelu, dane treningowe, założenia, niepewność i status walidacji stojące za każdym rezultatem.

Wymóg ten ma konsekwencje organizacyjne. Fizycy zajmujący się fuzją, badacze uczenia maszynowego i specjaliści od obliczeń muszą uzgodnić, co stanowi akceptowalny błąd.

Standardy dokładności będą różnić się zależnie od zastosowania. Wstępna selekcja parametrów może tolerować więcej przybliżeń niż końcowa prognoza wspierająca eksperyment.

Najważniejszą miarą postępu współpracy nie będzie spektakularne przyspieszenie samo w sobie. Będzie nią zwalidowany przepływ pracy, który kieruje kosztowne obliczenia fizyczne tam, gdzie dostarczają najwięcej informacji.

AI Przenika Cały Stos Projektowania Fuzji

Prace UCSB nad modelem zastępczym wpisują się w szersze przejście od odizolowanych symulacji do wspomaganych przez AI naukowych przepływów pracy.

LLNL już testuje AI w innej części badań nad fuzją z inercyjnym uwięzieniem plazmy. Jego Multi-Agent Design Assistant, znany jako MADA, łączy modele językowe z narzędziami symulacyjnymi używanymi przez projektantów.

Program MADA generował dane wejściowe do symulacji na podstawie instrukcji w języku naturalnym i ręcznie narysowanego schematu kapsuły. LLNL podaje, że system następnie uruchomił tysiące wariantów projektowych.

Prace te koncentrują się na koordynowaniu przepływu pracy projektowej. Projekt UCSB skupia się na przyspieszeniu wymagającego komponentu fizycznego wewnątrz takich przepływów. Oba wysiłki dotyczą powiązanych, lecz odmiennych wąskich gardeł.

To rozróżnienie ma znaczenie, ponieważ określenie „AI dla fuzji” opisuje dziś kilka ścieżek technicznych. Niektóre systemy prognozują niestabilności plazmy. Inne sterują eksperymentami, optymalizują sprzęt, przybliżają symulacje lub pomagają badaczom konfigurować oprogramowanie.

Programy fuzji z magnetycznym uwięzieniem plazmy również wykorzystują uczenie maszynowe, choć ich urządzenia i warunki pracy różnią się od NIF. Tokamaki utrzymują plazmę za pomocą pól magnetycznych, zamiast ściskać niewielką kapsułę laserami.

General Atomics i LLNL wcześniej stosowały uczenie maszynowe do obliczeń mocy i odprowadzania cząstek dla pilotażowych elektrowni fuzyjnych. Inne laboratoria badają rekonstrukcję równowagi wspomaganą przez AI, odkrywanie materiałów i sterowanie eksperymentami.

Projekty te nie reprezentują jednego wspólnego modelu ani jednolitego podejścia. Pokazują, że ograniczenia obliczeniowe występują w całym procesie rozwoju fuzji.

Mapa drogowa fuzji Departamentu Energii opisuje potok od danych do decyzji, łączący eksperymenty, cyfrowe bliźniaki, modele zredukowanego rzędu i optymalizację na poziomie systemu.

Ten kierunek zwiększa presję na zespoły opierające się wyłącznie na sekwencyjnych, ręcznie konfigurowanych kampaniach symulacyjnych. Szybsi konkurenci mogą analizować więcej kandydatów projektowych i częściej je aktualizować.

Jednak większa przepustowość nie gwarantuje lepszej nauki. Uruchamianie tysięcy przypadków niskiej jakości może tworzyć iluzję pokrycia, jednocześnie powielając tę samą słabość modelowania.

Kluczowa przewaga wynika z łączenia modeli o różnych poziomach wierności. Szybkie przybliżenia umożliwiają szeroką eksplorację, podczas gdy szczegółowe symulacje i eksperymenty prowadzą selektywną weryfikację.

Taka hierarchia jest dobrze znana w inżynierii. Badacze od dawna korzystają z modeli zredukowanego rzędu, powierzchni odpowiedzi i uproszczonych równań. Uczenie maszynowe rozszerza zakres zależności, które mogą reprezentować te przybliżenia.

Nowym wyzwaniem jest zarządzanie na dużą skalę. W miarę jak wyuczone komponenty trafiają do wspólnych przepływów pracy, zespoły muszą zachować dokumentację modeli, dowody walidacji i pochodzenie generowanych wyników.

Praca ta wpłynie również na sposób współpracy badaczy. Fizyk plazmy może potrzebować ocenić niepewność wyuczonego modelu. Inżynier uczenia maszynowego może potrzebować zrozumieć, które stany atomowe decydują o fizycznej poprawności.

Jasne rejestry badawcze stają się niezbędne, gdy te specjalizacje się przenikają. Zespoły potrzebują możliwości przeszukiwania założeń, wersji kodu, notatek eksperymentalnych i decyzji walidacyjnych.

Inżynierska baza wiedzy może wspierać tę warstwę dokumentacji. Nie może zwalidować modelu, lecz może utrzymać powiązanie dowodów z decyzjami, które od nich zależą.

Szersza zmiana konkurencyjna ma zatem charakter metodologiczny. Zespoły fuzyjne przechodzą ku przepływom pracy, które dynamicznie decydują, kiedy użyć AI, kiedy symulować, a kiedy eksperymentować.

UCSB wnosi wiedzę specjalistyczną z zakresu uczenia maszynowego i niezawodnych modeli naukowych. LLNL wnosi wiedzę o plazmie, sprawdzone kody symulacyjne, duże systemy obliczeniowe i kontekst eksperymentalny.

To połączenie daje projektowi wiarygodną drogę do praktycznego zastosowania. Podnosi też poprzeczkę sukcesu, ponieważ powstałe narzędzie musi spełniać wymagania pracujących naukowców, a nie tylko benchmarków uczenia maszynowego.

Co Musi Się Wydarzyć, Zanim Badacze Będą Mogli Polegać na Modelach

Trzy sygnały pokażą, czy współpraca staje się infrastrukturą naukową, zamiast pozostawać obiecującym eksperymentem.

Pierwszym sygnałem będzie opublikowany wynik walidacji w znaczącym zakresie warunków plazmy non-LTE. Czytelnicy powinni szukać pomiarów błędów powiązanych z wielkościami fizycznymi, takimi jak promieniowanie, populacje atomowe lub transport energii.

Użyteczna ocena powinna rozróżniać interpolację od ekstrapolacji. Powinna także wskazywać warunki, w których model zastępczy odmawia prognozowania lub żąda pełnej symulacji.

Jeżeli takie wyniki pojawią się wraz z jasnymi progami, argument za zaufaniem do projektu stanie się mocniejszy. Jeżeli raportowanie będzie podkreślać szybkość bez definiowania granic awarii, kluczowa obawa pozostanie nierozwiązana.

Drugim sygnałem będzie integracja z produkcyjnym przepływem pracy LLNL. Jeong wskazał rutynowe wykorzystanie wewnątrz istniejących kodów laserowo-plazmowych jako ostateczną miarę sukcesu zespołu.

Integracja pokazałaby, że model radzi sobie z rzeczywistymi danymi wejściowymi, ograniczeniami oprogramowania i wymogami odtwarzalności. Ujawniłaby też problemy operacyjne, które nie pojawiają się w kontrolowanej demonstracji badawczej.

Naukowcy muszą móc odtworzyć prognozę po aktualizacji modelu. Muszą również wiedzieć, który zbiór danych treningowych i zapis walidacji wspierały dany wynik.

Wdrożenie produkcyjne wzmocniłoby argument, że modelowanie zastępcze AI może służyć jako niezawodna warstwa obliczeń naukowych. Samodzielny prototyp dostarczałby słabszych dowodów.

Trzecim sygnałem będzie to, czy szybsze obliczenia kinetyczne prowadzą do szerszych lub lepszych badań projektowych. Projekt powinien ostatecznie wykazać, że badacze analizowali warunki wcześniej ograniczane przez koszt obliczeniowy.

Korzyść ta może przejawiać się w większych badaniach niepewności, gęstszych skanach parametrów lub szybszym porównywaniu konkurencyjnych koncepcji celów. Sama liczba wywołań modelu nie potwierdzałaby wartości.

Badacze powinni zamiast tego pytać, czy model zastępczy zmienił decyzję naukową. Czy wskazał zaniedbany obszar, wyeliminował nieprawdopodobny projekt albo skierował kosztowne symulacje ku bardziej informacyjnym przypadkom?

Ten końcowy test łączy wydajność obliczeniową z postępem naukowym. Model może być technicznie dokładny i szybki, a mimo to pozostawać nieistotny, jeśli nie poprawia sposobu, w jaki badacze przydzielają eksperymenty i zasoby obliczeniowe.

Współpraca musi również unikać utożsamiania zysku na poziomie celu z komercyjną produkcją energii elektrycznej. Wyniki zapłonu LLNL pozostają dużym osiągnięciem naukowym, lecz elektrownia wymaga wydajnych laserów, powtarzalnych celów, systemów cieplnych i ciągłej pracy.

Szybsze obliczenia non-LTE dotyczą jednego ograniczenia w ramach znacznie większego programu. Nie rozstrzygają ekonomiki inżynieryjnej, kwestii cyklu paliwowego ani niezawodności elektrowni.

Ten ograniczony zakres nie jest słabością. Skoncentrowana infrastruktura często tworzy trwalszą wartość niż szerokie deklaracje o autonomicznym odkrywaniu.

Trzyletnie okno finansowania projektu daje zespołowi czas na przejście przez rozwój modelu, walidację i testowanie przepływu pracy. Publiczne kamienie milowe pokażą, jak daleko posunie się na tej ścieżce.

Dla deweloperów lekcja dotyczy architektury modelu i obsługi awarii. Wyspecjalizowany komponent AI potrzebuje ścieżki eskalacji do zaufanego solvera, gdy rośnie niepewność.

Dla liderów badań lekcja dotyczy oceny. Oszczędności kosztów mają znaczenie, lecz dopiero po zdefiniowaniu przez zespoły, które błędy są akceptowalne dla każdej decyzji.

Dla pracowników wiedzy śledzących naukową AI partnerstwo stanowi konkretny przypadek wart obserwowania. Umieszcza wyuczone przybliżenie obok ugruntowanej fizyki i prosi badaczy o udokumentowanie granicy między nimi.

Ta granica określi wpływ projektu. Jeżeli symulacje fuzyjne AI UCSB LLNL staną się szybkie, audytowalne i selektywne wobec niepewności, mogą rozszerzyć przestrzeń poszukiwań dostępną dla badaczy fuzji.

Jeśli modele pozostaną trudne do zwalidowania poza znanymi warunkami, pierwotne symulacje nadal będą dominować w decyzjach o istotnych konsekwencjach. Najbardziej wymowne pytanie nie brzmi zatem, o ile szybciej działa AI.

Brzmi ono: czy naukowcy LLNL ufają jego wynikom na tyle, by zmienić to, co symulują w następnej kolejności.