慣性約束聚變（ICF）被視為實現實用聚變能的關鍵路徑之一，而能否成功，很大程度上取決於激光脈衝波形（Laser Pulse Shape，LP）的設計——它需要在極為嚴苛的物理約束下最優地驅動靶丸內爆。傳統上，LP 的設計依賴計算代價高昂的數值模擬與人工反覆迭代修正，既耗時又難以保證全局最優。針對這一瓶頸，Ricardo Luna Gutierrez 等八位作者提出了 ICF 激光脈衝波形設計系統（LPDS），一個生成式逆向建模框架，能夠把期望的內爆結果與靶丸構型直接映射為優化後的激光脈衝波形。
該工作的核心創新在於損失函數的設計。研究團隊構建了多目標損失函數，使生成的脈衝波形在滿足基本物理約束的同時，也符合實驗層面的具體要求，從而避免純數據驅動方法產生物理上不可行或實驗上無法實現的解。此外，作者還引入了約束條件化（constraint-conditioning）、圖像修補式生成（inpainting）以及基於梯度的脈衝編輯機制，使研究者能夠在生成過程中對波形的特定特徵進行細粒度控制，而不必從頭重新設計整條脈衝。
論文還探討了將該框架遷移到少量真實實驗射擊數據上的可行性，這被視為從純仿真走向實際裝置應用的重要一步。作者認為，這一方法為 ICF 中的激光脈衝設計建立了數據驅動的逆向設計範式，有助於推動實用且可持續的聚變能源發展。
該論文以 arXiv 預印本形式發佈（編號 arXiv:2610.33096v1，cs.AI），提交時間為 2026 年 10 月 22 日，由 Soumyendu Sarkar 提交，全文約 1,569 KB。作者註明這是提交至 NeurIPS 2026、尚待發表的初始版本。論文主題跨越多個人工智能與物理交叉領域，包括人工智能（cs.AI）、機器學習（cs.LG）、系統與控制（eess.SY）以及高能物理實驗（hep-ex），體現了 AI 方法在受控核聚變這一重大科學難題上的應用探索。