研究人员借助目前全球最快的开放科学超级计算机，训练出一套人工智能模型，可以以前所未有的细节刻画等离子体中的磁性湍流。这一模型在美国能源部橡树岭国家实验室（ORNL）的Frontier超级计算机上完成训练，成果有望支撑从超新星爆发模拟到新一代核聚变反应堆设计等多个前沿研究方向。

阿贡国家实验室计算科学家 Eliu Huerta 表示，这一能力“长期以来是天体物理学家和许多其他科学家的梦想”。他指导了由其研究生 Semih Kacmaz 牵头的这项工作。“这是首次通过人工智能，在如此复杂的系统中获得这种层次的洞察。”

相关成果已发表在期刊《机器学习：科学与技术》（Machine Learning: Science and Technology）上。

宇宙中的“风暴”难题

湍流——即热量和物质的紊乱流动——几乎存在于所有尺度：从地球大气，到带电流体（等离子体）与恒星周围磁场的耦合。等离子体的翻滚和旋转会产生磁流体动力学（MHD）湍流，这类“宇宙风暴”会影响地球磁场的行为，也塑造恒星和星系的结构。

更深入理解 MHD 湍流，将帮助科学家探索更多天体物理场景，设计更合理的实验，并提升对各类宇宙事件的预测能力。

传统上，研究者常用雷诺平均纳维–斯托克斯（RANS）等近似方法来模拟湍流，通过求解一组时间平均方程，为预测复杂流动提供“捷径”。但这类近似往往忽略关键细节，难以覆盖所有相关物理过程。

Huerta 指出：“系统越混沌，模拟就越困难。传统的人工智能模型同样难以重现这些模式，原因在于相互作用极其复杂且计算量庞大，模型往往会把真正定义湍流的细节抹平，从而丢失我们真正需要的物理信息。”

模型“接力”：两类AI协同

为了在传统方法失效的地方取得突破，Kacmaz 采用了一个分两步的策略来模拟 MHD 模式。

第一步使用物理信息神经算子（physics-informed neural operator）。这是一类专门的 AI 架构，能够学习不同函数集之间的映射关系，用以表达和求解物理系统的控制方程。类似的技术也被用于学习大气模式，以改进天气预报。

第二步则引入基于评分的扩散模型。这是一种生成式 AI 框架，通过学习如何逆转逐步向数据中注入噪声的过程，从而合成复杂的数据分布。类似模型已被用于提升卫星图像质量，例如通过识别并去除雾霾或云层来增强图像。

要训练这两类模型，需要海量算力来生成数以千计、覆盖从轻微到极端湍流水平的高精度等离子体模拟数据。团队获得了橡树岭领导计算设施（OLCF）Frontier 超级计算机的算力支持。Frontier 是 ORNL 的百亿亿次级旗舰系统，峰值性能可达每秒 2 百亿亿次浮点运算。

借助 Frontier 的高性能，团队得以训练神经算子掌握刻画 MHD 湍流整体结构所需的物理规律，同时训练扩散模型去捕捉更细微的特征，例如嵌套在大尺度湍流中的小涡旋和局部流动。两种模型像接力队一样协同工作，共同完成对湍流的模拟。

“Frontier 对我们来说是关键资源。”Kacmaz 说，“我们用它生成高保真数据集来训练扩散模型和物理信息神经算子。这些步骤计算量巨大，曾是我们研究的瓶颈，而 Frontier 让这一切变得可行。”

两步法重建全尺度湍流

通过将任务拆分为两个阶段，神经算子首先负责解析等离子体的整体演化，建立平均流场，捕捉湍流中最大尺度的结构。随后，扩散模型通过再生那些最小、变化最快的波动，补全流动中小尺度模式的级联过程。

“神经算子可以快速给出大尺度物理，但湍流真正‘藏’在细节里。”Kacmaz 解释说，“我们只让扩散模型学习神经算子无法表示的部分，从而重建跨所有尺度缺失的磁场和速度结构。”

在这一框架下，模型能够在数秒内给出等离子体湍流的预测结果。与此前方法相比，即便在极端湍流条件下，预测误差也减少了超过一半。

“这是人工智能首次能够在如此极端条件下，忠实再现磁化湍流。”Huerta 总结道，“通过将物理信息神经算子与生成式扩散模型结合，我们构建了一个既遵循物理方程、又能恢复等离子体全部复杂性的框架。”

团队计划进一步扩展该模型，用于模拟更复杂的系统，包括具有完整三维分辨率的等离子体和更真实的天体物理环境，并将其应用于核聚变反应堆等装置中的等离子体湍流建模。