The parameter space involved in designing an inertial confinement fusion shot at the National Ignition Facility (NIF) is massively multi-dimensional and the cost of a single shot makes a comprehensive set of sensitivity studies in the laboratory impractical. The use of machine learning to overcome these challenges has gained popularity and has had several successful applications by the scientific community. We extend on these efforts by training a neural network (NN) on information about the experimental design, engineering elements, and drive asymmetry to predict with uncertainty the neutron yield of an experiment. We find the measured and model predicted values are in good agreement, with an R2 value of 0.91 for a randomly selected test dataset. Almost all the predicted 95% credible intervals contain the corresponding measured value for both training and test datasets. We identify correlations picked up by the NN between the shot design, yield, and variability and use them to motivate shot sensitivity studies. The first shot to exceed the Lawson-like ignition criteria (N210808) was conducted at the NIF and subsequent shots studied the design’s robustness. In a follow-up shot to N210808, our model predicts capsule quality to be the main performance degradation mechanism that prevented the shot from repeating previous performance levels. Shot N221204 was the first shot to exceed a target energy gain of 1. Our model predicts increased yield with reduced coast time for a N221204 study and greater variability for designs with lower peak powers at constant yield. The model’s fast prediction speed and uncertainty prediction are useful for identifying interesting design paths that could warrant further investigation with conventional simulations to search for robust high yield designs.
国立点火施設（NIF）での慣性閉じ込め核融合ショットの設計に関わるパラメータ空間は極めて多次元であり、単一ショットのコストにより、実験室での包括的な感度研究の実施は非現実的である。これらの課題を克服するための機械学習の利用は広く行われるようになり、科学コミュニティによるいくつかの成功した応用がなされてきた。我々はこれらの取り組みを拡張し、実験設計、工学的要素、駆動非対称性に関する情報を用いてニューラルネットワーク（NN）を訓練し、実験の中性子収量を不確実性付きで予測する。測定値とモデル予測値は良く一致し、無作為に選択されたテストデータセットに対するR2値は0.91である。予測された95％信用区間のほぼ全てが、訓練データセットとテストデータセットの両方において対応する測定値を含んでいる。我々は、NNが捉えたショット設計、収量、変動性の間の相関関係を特定し、それらを用いてショット感度研究の動機付けとする。ローソン類似点火基準を初めて超えたショット（N210808）はNIFで実施され、その後のショットで設計の頑健性が研究された。N210808の後続ショットにおいて、我々のモデルは、カプセル品質が、以前の性能水準を再現することを妨げた主要な性能劣化メカニズムであると予測する。ショットN221204は、ターゲットエネルギー利得が1を初めて超えたショットである。我々のモデルは、N221204の研究において、コースト時間の短縮により収量が増加すること、また一定の収量ではピーク出力が低い設計ほど変動性が大きくなることを予測する。モデルの高速な予測速度と不確実性予測は、従来のシミュレーションによるさらなる調査に値する興味深い設計経路を特定し、頑健で高収量の設計を探索するのに有用である。