从 14 MeV 中子、Hg-198 到 Au-197：拆解核心算法、计算瓶颈与可复现工程工作流
2026-10-26｜UltraLAB 技术团队
以 Marathon Fusion 汞—金核嬗变研究为案例，区分论文模拟与企业实验宣称，系统解析 OpenMC、Paramak、DAGMC、JENDL-5、燃耗活化算法，并给出 UltraLAB 工作站、服务器、集群及本地大模型部署选型。
目录
- 一、先说结论：这不是“点汞成金”的商业量产宣言
- 二、物理链路：14 MeV 中子如何走到 Au-197
- 三、主要研究环节与核心算法：论文真正用了什么
- 四、计算特点：四类瓶颈决定 UltraLAB 怎么选
- 五、应用场景：同一套算力可以服务哪些专业项目
- 六、UltraLAB 硬件配置怎么选：按模型规模，不按新闻热度
- 七、软件清单：从几何到报告的可复现工具链
- 八、AI 大模型推理本地部署：让知识助手贴着求解器工作
- 九、常见问题：硬件配置最容易踩的八个坑
- 十、专业采购建议：用一份基准清单换可验证的性能
一、先说结论：这不是“点汞成金”的商业量产宣言
2026 年 10 月，Marathon Fusion 宣称已利用聚变中子把汞转化为稳定金，并称产率达到 CERN 2025 年纪录的十倍。公开报道同时指出，完整实验数据、实际黄金质量、纯度、能耗与独立复现仍不充分。因此，专业读者应把它视为“值得跟踪的企业实验宣称”，而不是已经证实的工业产能。
真正可被工程团队复用的高潮在 2025 年预印本：作者用中子学模拟提出，在未来聚变堆包层中布置汞同位素，兼顾中子倍增、氚增殖与 Au-197 副产品；模型给出约 2 吨/GWth/年的模拟产率，并提出改善电站经济性的设想。该数字是特定模型与假设下的预测，不是实测年产量，也不是对金价的预测。
| 信息层 | 可以确认什么 | 不能据此推出什么 |
|---|---|---|
| 核物理机制 | Hg-198 可经快中子 (n,2n) 形成 Hg-197，再经电子俘获成为稳定 Au-197 | 不能推出经济量产、可交易黄金或短期供给冲击 |
| 2025 论文模拟 | OpenMC 工作流可评估产率、TBR、核素演化与冷却问题 | 不能把模拟产率当作商业装置实测值 |
| 2026 企业宣称 | 企业公开声称完成实验并作十倍产率比较 | 缺少完整数据时，不能直接比较不同实验的总产量、成本与可扩展性 |
30 秒判断
这项研究的专业价值，不在于“炼金”二字，而在于它把中子输运、包层设计、氚自持、核素活化与多目标优化放进了同一个可计算问题。验证这种问题，首先需要的是可复现算力，而不是一张跑分漂亮的显卡。
二、物理链路：14 MeV 中子如何走到 Au-197
D-T 聚变产生约 14 MeV 的快中子。Hg-198 吸收一个中子并放出两个中子，形成 Hg-197；后者通过电子俘获衰变为 Au-197。这里不是 β⁻ 衰变。Au-197 稳定，但包层中其他反应通道可能产生放射性核素，因此“目标产物稳定”不等于“整批材料可立即使用”。
¹⁹⁸Hg + n → ¹⁹⁷Hg + 2n
¹⁹⁷Hg → ¹⁹⁷Au（电子俘获；Hg-197 半衰期约 64 小时）CERN 的对照实验走的是另一条路线：高能铅核的超周边碰撞通过电磁离解移除三个质子，短暂形成金核。CERN 公布 Run 2 四个主要实验合计约 860 亿个金核、约 29 皮克，并给出 ALICE 碰撞点最高约 8.9 万金核/秒。它与聚变中子辐照在源项、靶材、产物存续和测量方法上不同，“十倍”不能自动换算成十倍可收集黄金。
三、主要研究环节与核心算法：论文真正用了什么
原论文公开的工具链包括 OpenMC、Paramak、openmc-plasma-source 与 cad-to-dagmc；采用 90° 托卡马克分段和反射边界降低计算量，使用 JENDL-5 核数据，并通过 OpenMC 核数据 API 与 NJOY2016 准备数据。耦合输运—燃耗计算采用 CoupledOperator 与 CF4 积分器。这些是可复现工作的关键锚点。
| 环节 | 核心算法／模型 | 关键输出 |
|---|---|---|
| 源项建模 | D-T 聚变中子能谱与空间分布；FusionRingSource | 源强、方向、能量与位置抽样 |
| 参数化几何 | Paramak 生成托卡马克；CAD 转 DAGMC 几何 | 包层厚度、汞通道、结构材料与反射边界 |
| 核数据处理 | JENDL-5；NJOY2016；温度与反应道数据 | 连续能量截面、衰变与燃耗链 |
| 中子／光子输运 | 连续能量蒙特卡洛随机游走；自由程、碰撞、散射与泄漏抽样；Tally 估计 | 通量 φ(r,E)、(n,2n) 反应率、核热、TBR |
| 核素演化 | Bateman 方程 dN/dt=A·N；OpenMC CoupledOperator；CF4 时间积分 | Au/Hg 同位素、长寿命活化产物、冷却曲线 |
| 参数扫描与优化 | 汞浓度、通道厚度、包层厚度等多参数独立算例；多目标权衡 | 产率—氚自持—热负荷—活化帕累托边界 |
| 验证与不确定性 | 统计误差、核数据与几何敏感性、跨代码／实验基准 | 置信区间、误差预算、可复现版本清单 |
3.1 蒙特卡洛输运为什么吃 CPU
每条粒子历史都包含随机数生成、几何距离计算、截面检索、碰撞类型判断与下一次事件推进。不同粒子历史大体独立，适合 OpenMP/MPI 并行；但随机内存访问、分支发散和缓存不友好使它不是简单的“核心越多越快”。在固定其他条件时，蒙特卡洛统计误差通常随历史数按约 1/√N 下降：把统计误差缩小一半，往往需要约四倍样本量。
3.2 燃耗／活化为什么吃内存与时间
输运给出反应率，燃耗求解器再沿时间更新核素库存；下一时间步又可能需要重新输运。核素链、材料分区、时间步与网格 Tally 相乘，形成“反复求解＋大规模状态保存”。这也是只按一次固定源计算估算整机需求，常常会严重低估内存与存储的原因。
3.3 AI 能加速什么，不能替代什么
AI 适合做文献检索、输入卡检查、参数任务编排、异常日志诊断、报告草拟，以及在足够高保真样本上训练代理模型。AI 不应替代截面库、守恒检查、统计不确定度和实验标定。代理模型必须限定适用域，并用未参与训练的高保真算例做外推风险测试。
四、计算特点：四类瓶颈决定 UltraLAB 怎么选
| 负载特征 | 典型瓶颈 | 选型优先级 |
|---|---|---|
| 单粒子随机游走 | 高分支、随机访问、缓存 miss | 高单核性能、大缓存、低内存延迟 |
| 亿级粒子历史与参数扫描 | 总历史数大、任务可并行 | 物理核心数、MPI/OpenMP 扩展、作业吞吐 |
| 连续能量核数据＋DAGMC＋Tally | 常驻数据与状态可能快速膨胀 | ECC 容量、内存通道、NUMA 亲和性 |
| 输运—燃耗多步耦合 | 反复求解、核素库存与状态点写入 | CPU＋内存均衡、NVMe 耐久度与容量 |
| 深穿透与精细网格 | 方差缩减、细网格 tally、结果归约 | 先优化算法，再增加核心与节点 |
| 本地大模型 RAG | 权重、KV Cache、并发与上下文 | 独立 GPU 显存；不要挤占输运所需内存 |
内存估算应从模型出发，而不是从“别人买多大”出发：可用内存 ≥ 核数据＋几何加速结构＋Tally＋燃耗核素库存＋运行时副本与临时区＋操作系统／AI 服务，再保留约 30%—50% 余量。跨节点时还要考虑 tally 归约和 NUMA 数据本地性。
GPU 需要单独判断。传统 CPU 版 OpenMC 工作流首先是 CPU 与内存负载；GPU 是否受益取决于所用代码分支、事件式输运、几何与核数据路径以及实际基准。不能把大模型推理显卡的 Tensor Core 性能直接等同于中子输运加速。UltraLAB 的 OpenMC 方案同样强调高频、大缓存、ECC 内存与 NVMe 的协同，而非单纯堆 GPU。
五、应用场景：同一套算力可以服务哪些专业项目
- 聚变包层与氚燃料循环：评估 TBR、中子倍增、核热沉积、屏蔽与材料活化，开展包层厚度和材料配比扫描。
- 同位素与核嬗变研究：比较目标反应道、杂质通道、照射—衰变时序和冷却需求；黄金只是其中一个高关注度案例。
- 辐射防护与探测器设计：固定源输运、深穿透方差缩减、剂量与能谱 tally、实验测量方案辅助设计。
- 核数据与跨代码验证：对 JENDL、ENDF/B 等数据及 OpenMC、MCNP、Serpent、Geant4 等工具做同模型对照，厘清模型差与统计差。
- 数字孪生与代理模型：用高保真参数扫描生成样本，训练受适用域约束的快速近似模型，服务设计空间筛选，而非绕过验证。
- 科研知识工程：把论文、核数据说明、输入文件、运行日志和实验报告做成可追溯 RAG，提升团队协作与审计效率。
六、UltraLAB 硬件配置怎么选：按模型规模，不按新闻热度
以下是与 UltraLAB 工作站、GPU 超算工作站、服务器和集群形态对应的规格建议，不绑定未经实测的具体 SKU。采购前应使用用户自己的几何、核数据库、历史数与 tally 做 PoC；同一“核数”在不同内存通道、NUMA 和编译设置下，吞吐可能完全不同。
| 层级 | CPU／内存 | GPU 与本地 AI | 存储、网络与适用任务 |
|---|---|---|---|
| A｜算法验证工作站 | 32—64 核高主频 Threadripper PRO／Xeon W；256GB ECC，预留至 512GB | 1×48GB 或 96GB 专业 GPU；适合 14B—32B 量化推理 | 2TB 系统盘＋4—8TB NVMe 工作盘；10/25GbE；分段几何、固定源、少量参数扫描 |
| B｜工程设计超算工作站 | 64—96 核 Threadripper PRO 或单路 EPYC；512GB—1TB ECC，多通道满配 | 1—2×96GB GPU；AI 与求解任务分时或隔离 | 8—16TB 企业级 NVMe＋独立归档；25/100GbE；输运—燃耗、DAGMC、批量参数任务 |
| C｜课题组共享服务器 | 双路 EPYC／Xeon，总物理核心约 128—192；1—2TB ECC RDIMM | 2—4×96GB GPU，独立推理队列；不默认用于 OpenMC 加速 | 16—32TB NVMe 热数据层＋RAID6 归档；100/200Gb 互联；多用户、多物理场与 RAG |
| D｜参数扫描 HPC 集群 | 每节点 64—128 核、512GB—1TB；按单算例内存而非总核数扩展 | AI 节点与 CPU 输运节点分池；代理训练单独配置 | 并行存储或高性能共享存储；100/200Gb InfiniBand/RoCE；Slurm 调度、数百至数千算例 |
6.1 CPU：先看有效吞吐，再看峰值核数
单算例调试看高主频与响应速度；批量参数扫描看每瓦、每节点和全天任务吞吐。双路服务器还要测 NUMA：把进程、线程和内存绑定到本地节点，往往比盲目增加线程更重要。超线程是否开启应由实测决定，不能按通用桌面经验套用到所有输运模型。
6.2 内存：ECC、通道与余量缺一不可
长时间任务建议选择 ECC RDIMM，并按平台通道均衡插满。1TB 不是默认答案：简化 90° 分段模型可能远小于此，复杂 CAD、精细 tally 与多材料燃耗又可能迅速超过此值。验收时记录峰值常驻内存、OOM 风险和 swap 使用，而不是只报安装容量。
6.3 存储：把“算完”与“可追溯”一起设计
系统、核数据、临时 statepoint、长期归档应分层。工作盘关注随机读写、持续写入与耐久度；归档关注校验、快照与备份。不要默认 RAID0 是可靠的数据方案，也不要把内存盘当作最终结果仓库。每个结果至少绑定输入版本、代码提交、核数据版本、随机种子和运行环境。
6.4 网络与调度：多节点不是简单叠加
独立参数算例更适合“一任务一节点或少节点”的高吞吐调度；单一大模型的跨节点 MPI 则更关注归约、负载均衡与网络。Slurm 队列应区分调试、长时输运、燃耗和 AI 推理，避免交互式大模型请求抢占关键长任务。
七、软件清单：从几何到报告的可复现工具链
| 层级 | 软件／库 | 用途与选择说明 |
|---|---|---|
| 中子／粒子输运 | OpenMC；可选 MCNP、Serpent、Geant4 | OpenMC 用于复现论文主链；其他代码需遵守各自许可与获取条件，适合做交叉验证而非随意替换 |
| 聚变几何与源项 | Paramak、openmc-plasma-source、cad-to-dagmc、DAGMC／MOAB | 参数化托卡马克、聚变源、CAD 几何转换与加速几何查询 |
| 核数据 | JENDL-5、ENDF/B、FENDL；NJOY2016 | 固定版本并记录加工参数；不同数据库不可混用后只比较单一结论 |
| 燃耗／活化 | OpenMC depletion；可选 ORIGEN／SCALE、Serpent | 求解核素库存随时间变化；检查反应链、时间步与归一化 |
| 数据与可视化 | Python、NumPy、SciPy、pandas、HDF5／h5py、Matplotlib、ParaView | 批量后处理、反应率积分、误差分析、网格与谱线可视化 |
| 构建与并行 | GCC／LLVM、CMake、Open MPI、OpenMP、Git | 固定编译器与依赖；对优化选项做回归测试，避免以错误结果换速度 |
| 耦合与优化 | OpenFOAM／MOOSE（按需）、Dakota／Optuna／自研调度 | 热工或多物理场耦合、多目标参数搜索；先定义守恒与约束 |
| 集群与环境 | Ubuntu LTS、Apptainer／Docker、Slurm、Prometheus／Grafana | 容器化环境、CPU/AI 分池、作业审计、资源监控 |
| 本地 AI | vLLM／Ollama／llama.cpp、PyTorch、Transformers、Qdrant／Milvus／pgvector、Open WebUI | 内网推理、RAG、模型服务与权限控制；按模型许可证和并发选型 |
建议把“输入生成—求解—后处理—报告”拆成可独立重跑的流水线。容器镜像只固化环境，不应固化不可追溯的结果；核数据、输入和输出分别做版本管理。
八、AI 大模型推理本地部署：让知识助手贴着求解器工作
本地部署的合理定位是“核工程知识与流程副驾”：回答带出处的问题、检查输入完整性、生成参数扫描任务、汇总日志，并把数值计算交回 OpenMC 等求解器。UltraLAB 已有核辐射 AI 本地部署方案，可在此基础上按本项目的数据密级、模型规模与并发做裁剪。
内网用户／Open WebUI
│
API 网关＋身份权限＋审计
│
vLLM／Ollama 推理服务 ── 向量库＋重排模型
│ ↑
只读工具适配层 论文／核数据文档／历史报告
│
Slurm 作业提交（白名单）→ OpenMC 容器 → HDF5 结果 → 引用回写8.1 六步部署法
- 划定数据边界：公开论文、内部模型、实验数据与涉密资料分区；默认禁止模型服务主动访问原始结果目录。
- 建立可追溯 RAG：保留标题、作者、版本、页码、表号和来源 URL；公式与表格单独抽取，避免只存纯文本碎片。
- 选择模型与运行时：单人验证可用 Ollama／llama.cpp；多并发 API 优先考虑 vLLM；最终按目标模型、上下文与并发压测。
- 只开放白名单工具：允许模板渲染、作业状态查询和受控提交；禁止模型任意执行 shell、修改核数据或覆盖结果。
- 建立评测集：覆盖反应机理、单位换算、输入错误、日志诊断和来源追溯；凡涉及产率、活度与安全的数值必须回到求解器或已审核数据。
- 持续审计：记录模型版本、量化方式、提示词模板、检索文档版本与工具调用；关键报告保留人工签核。
| 模型规模／精度 | 权重与运行余量的经验起点 | 建议 GPU 配置与用途 |
|---|---|---|
| 7B—14B，4—8 bit 量化 | 约 8—20GB，取决于上下文、KV Cache 与运行时 | 24—48GB；个人知识助手、输入检查、轻量 RAG |
| 30B—32B，4 bit 量化 | 约 20—40GB；长上下文与并发会继续增加 | 48—96GB；课题组高质量问答与报告辅助 |
| 70B 级，4 bit 量化 | 约 45—80GB；多并发需更多余量 | 96GB 或多 GPU；高并发前必须实测 |
| FP16／BF16 或微调 | 权重约按参数量×2 字节起算，训练还需梯度与优化器状态 | 不要把推理配置当训练配置；优先 LoRA／QLoRA 并单独评估 |
经验公式：显存需求 ≈ 权重＋KV Cache＋激活与运行时缓冲区，再留并发余量。上下文长度和并发往往不是免费项。若 AI 与 OpenMC 共用一台机器，应通过 cgroup、调度队列或独立 GPU/内存配额限制推理服务，防止长任务因资源争抢失败。
九、常见问题：硬件配置最容易踩的八个坑
Q1：直接买多张顶级 GPU，OpenMC 就会更快吗？
不一定。先确认代码版本是否支持你需要的 GPU 路径，以及几何、核数据和 tally 是否受支持。原论文主链可按 CPU 工作流复现；GPU 采购应同时由本地 AI 或代理模型的真实需求支撑。
Q2：256GB、512GB 还是 1TB 内存？
用实际模型峰值决定。做一次包含全部核素、几何、tally 与燃耗步的代表性算例，记录峰值常驻内存并加 30%—50% 余量。若同时运行本地大模型，单独计入其权重和缓存。
Q3：核心数翻倍，计算时间会减半吗？
不应这样承诺。粒子历史可并行，但内存带宽、NUMA、tally 归约、I/O 和负载不均会降低扩展效率。验收看固定模型下的 histories/s、墙钟时间与扩展曲线。
Q4：高主频 32 核与低频 96 核怎么选？
调试与轻量固定源更偏单核响应；大历史数和参数扫描更偏多核吞吐。最可靠的方法是用同一输入分别测试，不以纸面频率或核心数替代基准。
Q5：为什么要企业级 NVMe 和独立归档？
燃耗、精细 tally 和批量扫描会持续产生结果。工作盘影响临时写入与加载，归档影响可追溯性；消费级盘的高瞬时跑分不能替代持续写入、断电保护、寿命和备份。
Q6：本地 32B 大模型能不能与输运共用一台工作站？
可以，但要分队列、限内存、限 GPU，并避免在关键长任务期间进行高并发推理。多人共享时更适合把 AI 服务独立到 GPU 节点。
Q7：AI 能不能直接预测每年产多少黄金？
不能让语言模型凭空给数值。产率必须来自明确的源强、几何、材料、截面、反应率积分、占空比与核素演化。AI 可组织计算和解释结果，但不能成为无来源数值的权威。
Q8：采购验收最该看什么？
看用户真实算例的正确性、吞吐、峰值内存、长时稳定性、结果可复现和故障恢复。通用跑分只能作为辅助，不能替代 OpenMC 工作流验收。
十、专业采购建议：用一份基准清单换可验证的性能
对 UltraLAB 或任何 HPC 供应商，建议直接给出以下验收输入，而不是只问“推荐哪款”：
- 模型：几何规模、CAD/CSG 类型、材料与核素数量、90° 分段或全环、源项与边界条件。
- 计算：每批历史数、批次数、固定源／临界、是否光子耦合、是否燃耗、时间步和参数算例总数。
- 结果：tally 类型、网格维度、statepoint 大小、保留周期、并行后处理与备份要求。
- AI：模型参数规模、量化精度、上下文、并发、知识库容量、内网与权限要求。
- 验收：同一核数据与随机种子下的结果一致性、histories/s、单日完成任务数、峰值内存、72 小时以上稳定性和断电／故障恢复流程。
UltraLAB 的合理价值主张
不是把“炼金热点”包装成硬件神话，而是把物理模型、软件版本、内存占用、并行方式和数据追溯一起交付。面向聚变包层、核嬗变和同位素研究团队，可优先安排真实模型 PoC，再确定工作站、共享服务器或 CPU/GPU 分池集群。官网：www.xasun.com；技术咨询：400-705-6800。
当“汞变金”从热搜回到实验室，真正决定研究可信度的是：截面是否匹配、几何是否可复现、统计误差是否收敛、活化是否被计入、结论是否经得起独立复核。算力的价值，正是让这些问题得到可检验的答案。
参考资料
- Parisi, J. F. et al. Scalable Chrysopoeia via (n,2n) Reactions Driven by Deuterium-Tritium Fusion Neutrons. arXiv:2507.13461, v3, 2025. https://arxiv.org/abs/2507.13461
- CERN. ALICE detects the conversion of lead into gold at the LHC. 2025-05-08. https://home.cern/news/news/physics/alice-detects-conversion-lead-gold-lhc
- Business Today. Mercury to gold: Marathon Fusion claims 10x CERN record, but can modern alchemy work? 2026-10-22. https://www.businesstoday.in/technology/story/mercury-to-gold-marathon-fusion-claims-10x-cern-record-but-can-modern-alchemy-work-563022-2026-10-22
- Marathon Fusion 官方网站：聚变装置、包层与同位素副产品路线。https://www.marathonfusion.com/
- OpenMC 官方文档：蒙特卡洛粒子输运、并行与燃耗功能。https://docs.openmc.org/
- UltraLAB：核能与聚变能源研发（OpenMC）中子输运计算硬件方案，2026-02-25。https://xasun.com/www/17/2008-04/www/fuwuqi/article/71/3090.html
- UltraLAB：核辐射数据处理 AI 分析大模型本地部署方案，2026-07-24。https://www.xasun.com/gzbrhw/article/71/3724.html
- Serpent 官方文档：连续能量蒙特卡洛、MPI/OpenMP 与燃耗计算。https://serpent.vtt.fi/
科学性说明：本文讨论核嬗变仿真与计算基础设施，不构成黄金生产、投资收益或商业可行性承诺。涉及核设施与放射性材料的研究须在具备资质的机构中依法开展。
