湍流输运还是太大……不是磁阱的问题，是加热方式……好了我知道了，下午会上再说。”
挂断电话，老人抬起头，目光透过镜片打量着林默。那双眼睛有着科学家特有的锐利和专注，仿佛能一眼看穿虚浮的表面。
“周总工，这位是林默。”杨震介绍道，“林默，这位是周维民总工程师，‘神光计划’首席科学家。”
“周总工，久仰。”林默上前一步，恭敬地伸出手。
周维民站起身，握手很有力，但时间很短。“坐吧。杨参赞说你有关于核聚变的想法，想跟我聊聊。”他直入主题，没有一句客套话，“我先说好，我下午一点的车去机场，现在——”他看了眼手表，“十点零七分。你有不到五十分钟。”
林默在办公桌对面的椅子上坐下。周维民的办公室很简单，一张办公桌，两个书柜塞满了书和文件，墙上挂着一幅巨大的EAST装置剖面图。桌上除了一台电脑和几叠论文，最显眼的是一个等离子体磁面模型的3D打印件。
“周总工，我长话短说。”林默打开随身携带的平板电脑，“我们团队最近在思考，如何用人工智能加速可控核聚变研究。”
周维民眉毛都没动一下：“AI在聚变领域有应用，等离子体诊断、数据反演、实时控制。国内外都在做。”
“不是辅助应用。”林默调出一份简洁的演示文稿，“是重构研发流程。用高保真数值模拟替代部分物理实验，用机器学习发现物理规律中的隐藏关联，用自动化优化算法寻找最佳运行区间。”
他展示了几张图表：“我们分析了过去三十年ITER和各国装置的实验数据，发现一个规律：每次重大进展都伴随着诊断技术的突破或数值模拟精度的提升。但这两者的发展速度，远远跟不上实验复杂度的增长。”
周维民终于有了些兴趣。他身体前倾，盯着平板屏幕：“继续说。”
“以第一壁材料为例。”林默切换页面，“目前的研究模式是：制备材料样品→辐照实验→微观表征→性能评估→改进配方。一个循环至少半年。但如果我们可以用分子动力学模拟，在超算上模拟中子与材料相互作用的微观过程呢？如果我们用AI从海量实验数据中挖掘出材料性能与成分
本章未完，请点击下一页继续阅读！