快点火的参数优化涉及更复杂的多物理场耦合问题，需同时优化点火激光参数与DT靶参数，一般包含7个自由度以上，通常在高维空间直接抽样或扫描的方法需要10^7以上的抽样。我们采用Bayesian Optimization （BO）方法来进行上述高维参数空间的优化，BO通过构建概率模型来预测目标函数的性能，能够高效地平衡探索和利用，从而在较小的迭代次数内（500-1000次）找到全局最优解，然后即使是1000次优化计算仍然是非常巨大的，而且不同优化任务间难以复用已有的优化结果与模拟数据集。我们可以发展结合BO 与神经网络代理模型（BO+NN）的方法。利用已经产生的数千组数据构建中子产额的神经网络，BO的预测基于构建的神经网络NN，可大大地提高优化效率。然而，神经网络模型都是概率模型，虽然NN在大部分参数点能输出准确的结果，但总存在少数点上仍存在较大误差，传统贝叶斯优化方法BO倾向于探索预测正向偏差较大的区域，从而导致非物理的优化结果。我们引入多种窗口平滑策略，以降低BO在推理误差，并抑制局部不光滑误差。同时，为提高优化的稳健性，我们进一步提出复合优化目标函数，将中子产额与离子温度联合纳入优化目标，从而在确保高中子
产额的同时，提升优化结果的稳定性。
 

Neural Network， Bayesian Optimization, Fast Ignition