惯性约束聚变（ICF）被视为实现实用聚变能的关键路径之一，而能否成功，很大程度上取决于激光脉冲波形（Laser Pulse Shape，LP）的设计——它需要在极为严苛的物理约束下最优地驱动靶丸内爆。传统上，LP 的设计依赖计算代价高昂的数值模拟与人工反复迭代修正，既耗时又难以保证全局最优。针对这一瓶颈，Ricardo Luna Gutierrez 等八位作者提出了 ICF 激光脉冲波形设计系统（LPDS），一个生成式逆向建模框架，能够把期望的内爆结果与靶丸构型直接映射为优化后的激光脉冲波形。
该工作的核心创新在于损失函数的设计。研究团队构建了多目标损失函数，使生成的脉冲波形在满足基本物理约束的同时，也符合实验层面的具体要求，从而避免纯数据驱动方法产生物理上不可行或实验上无法实现的解。此外，作者还引入了约束条件化（constraint-conditioning）、图像修补式生成（inpainting）以及基于梯度的脉冲编辑机制，使研究者能够在生成过程中对波形的特定特征进行细粒度控制，而不必从头重新设计整条脉冲。
论文还探讨了将该框架迁移到少量真实实验射击数据上的可行性，这被视为从纯仿真走向实际装置应用的重要一步。作者认为，这一方法为 ICF 中的激光脉冲设计建立了数据驱动的逆向设计范式，有助于推动实用且可持续的聚变能源发展。
该论文以 arXiv 预印本形式发布（编号 arXiv:2610.33096v1，cs.AI），提交时间为 2026 年 10 月 22 日，由 Soumyendu Sarkar 提交，全文约 1,569 KB。作者注明这是提交至 NeurIPS 2026、尚待发表的初始版本。论文主题跨越多个人工智能与物理交叉领域，包括人工智能（cs.AI）、机器学习（cs.LG）、系统与控制（eess.SY）以及高能物理实验（hep-ex），体现了 AI 方法在受控核聚变这一重大科学难题上的应用探索。