MPEX AI Digital Twins Milestone Report

Este informe de progreso de seis meses describe el desarrollo en curso de dos hitos de IA de la Fase I para el proyecto MPEX —un controlador de puntos calientes de IA Helicon y un gemelo digital de evaluación de daños por haz de electrones— junto con la configuración de la interfaz de software Galaxy para integrar simulaciones físicas con los recursos de computación de alto rendimiento del DOE y la Nube Científica Americana para el análisis automatizado de datos y las operaciones impulsadas por IA.

Lo esencial

Imagina una cocina masiva y futurista donde los científicos están intentando cocinar el plato perfecto: energía de fusión nuclear. El "horno" es una máquina llamada MPEX, y los "ingredientes" son plasma supercaliente y paredes metálicas especiales. El objetivo es probar si estas paredes metálicas pueden sobrevivir al calor extremo sin agrietarse ni fundirse.

Sin embargo, cocinar en esta cocina es complicado. El calor no se distribuye uniformemente; crea "puntos calientes" que pueden quemar agujeros en la puerta del horno o en la olla. Si las paredes se agrietan, el experimento falla.

Este informe es una actualización de progreso de un equipo de científicos (de los Laboratorios Nacionales de Oak Ridge y Lawrence Livermore) que están construyendo un "Gemelo Digital" para esta cocina. Piensa en un Gemelo Digital como una versión virtual perfecta de videojuego de la máquina real. Están enseñando a una Inteligencia Artificial (IA) a ser el chef principal, utilizando esta versión virtual para predecir lo que sucederá antes de encender la máquina real.

Aquí tienes un desglose de sus dos "recetas" principales para el éxito:

1. El Controlador de "Puntos Calientes" (Manteniendo Segura la Puerta del Horno)

El Problema:
En la máquina real, el calor proviene de un tipo específico de onda (llamada "helicón"). A veces, este calor se queda atrapado en un solo punto, como una lupa enfocando la luz solar sobre una hoja, creando un peligroso "punto caliente" que podría agrietar la ventana de cristal de la máquina.

La Solución de la IA:
Los científicos construyeron un controlador inteligente que actúa como un policía de tráfico para el calor.

• La Vieja Forma: Los científicos solían adivinar cómo ajustar las "carreteras" magnéticas (bobinas) para distribuir el calor. Era como intentar agrupar gatos adivinando hacia dónde correrían.
• La Nueva Forma: Crearon un modelo virtual tridimensional de la máquina. Enseñaron a una IA a mirar imágenes del calor (tomadas por cámaras especiales) y determinar exactamente cómo ajustar las carreteras magnéticas para distribuir el calor uniformemente.
• La Analogía: Imagina que estás vertiendo agua en un laberinto de tuberías. Si viertes demasiado rápido en un solo punto, esta explota. La IA es como un sistema inteligente que ajusta instantáneamente las válvulas (bobinas magnéticas) para asegurar que el agua fluya suavemente por todas partes, evitando que cualquier tubería individual explote.

Actualmente están entrenando a esta IA utilizando datos de una cocina de prueba más pequeña (llamada "proto-MPEX") para que, cuando la máquina grande se abra, la IA ya sepa cómo mantener la temperatura perfecta.

2. El "Detective de Daños" (Prediciendo Grietas en el Metal)

El Problema:
Las paredes metálicas (hechas de tungsteno) están siendo probadas para ver si se agrietan bajo calor extremo. Para probar esto, utilizan un potente haz de electrones (como un secador de pelo supersónico) para calentar el metal. Después, toman fotografías microscópicas para contar las grietas.

• El Desafío: Hay demasiados tipos diferentes de metal y demasiados ajustes de calor para probarlos todos físicamente. Tomaría una eternidad probar cada combinación individual. Además, las fotos son difíciles de analizar porque las grietas se ven diferentes dependiendo de la estructura de grano del metal.

La Solución de la IA:
El equipo construyó un analizador de imágenes superinteligente y una bola de cristal.

• El Analizador de Imágenes: Enseñaron a una IA a mirar fotografías microscópicas del metal y encontrar automáticamente cada grieta, sin importar lo pequeña o extraña que se vea. Es como darle a la IA un par de gafas que pueden detectar instantáneamente una fisura microscópica en un trozo de vidrio.
• La Bola de Cristal (Predicción): Dado que no pueden probar cada metal, utilizaron un simulador de física (un programa que calcula cómo se rompe el metal) para generar datos "falsos". Combinaron las fotos reales con los datos de física falsos para enseñarle un patrón a la IA.
• La Analogía: Imagina que tienes algunas muestras de arcilla que se agrietaron al hornearse. Quieres saber si un nuevo tipo de arcilla se agrietará. En lugar de hornear la nueva arcilla (lo cual toma tiempo), usas la IA para observar la "forma" de las grietas en la arcilla vieja y la física de cómo se rompe la arcilla. La IA luego predice: "Si horneas esta nueva arcilla a esta temperatura, es probable que se agriete aquí".

3. El "Gerente de Cocina" (Flujo de Trabajo Galaxy)

Para hacer que todo esto funcione, los científicos construyeron un panel de control central llamado Galaxy.

• La Analogía: Piensa en esto como un libro de recetas maestro combinado con un temporizador de cocina. Conecta la IA, los simuladores de física y los datos de la máquina real. Permite a los científicos (o incluso a la IA misma) ejecutar experimentos complejos con unos pocos clics, asegurando que cada paso se registre y sea reproducible. Es el pegamento que mantiene unido al "Gemelo Digital".

¿Qué Sigue? (La Meta de Junio)

Para junio de 2026, el equipo planea mostrar una versión funcional de este sistema:

1. Para los Puntos Calientes: La IA predecirá con éxito los mejores ajustes para mantener el calor centrado y seguro, utilizando datos de su máquina de prueba más pequeña.
2. Para el Daño: La IA predecirá con éxito dónde se formarán grietas en diferentes metales, utilizando una mezcla de fotos reales y simulaciones por computadora, demostrando que puede "adivinar" el resultado sin necesidad de probar físicamente cada pieza de metal individual.

En Resumen:
Los científicos están construyendo un gemelo virtual de su máquina de fusión y enseñando a un chef de IA a gestionar el calor y a un detective virtual a predecir grietas en el metal. Esto les permite ejecutar experimentos más rápido, de forma más segura y más inteligente, acercándonos un paso más a la energía de fusión limpia e ilimitada.

Resumen técnico

Resumen Técnico: Informe de Hitos de Gemelos Digitales de IA para MPEX

Enunciado del Problema
El Experimento de Exposición de Plasma de Materiales (MPEX) está diseñado para calificar materiales frente al plasma para plantas de energía de fusión bajo flujos extremos de calor y partículas. Un desafío operativo crítico es la formación de "puntos calientes" localizados en los componentes frente al plasma, particularmente en la ventana de la antena helicón, lo que puede provocar pulverización catódica o fallo estructural. Además, evaluar el daño en los materiales (agrietamiento, erosión) requiere pruebas experimentales extensas, limitadas por el número finito de muestras y la escasez de datos disponibles entre diferentes composiciones de materiales y condiciones de exposición. El proyecto aborda la necesidad de una ventaja de Inteligencia Artificial (IA) para optimizar las operaciones de MPEX en tiempo real y acelerar la evaluación del daño en los materiales mediante una combinación de datos experimentales, simulaciones físicas e IA generativa.

Metodología
El proyecto desarrolla dos Gemelos Digitales de IA principales: uno para controlar los puntos calientes del calentamiento helicón y otro para evaluar el daño en materiales inducido por haces de electrones (E-beam).

1. Controlador de Puntos Calientes Helicón con IA:

   • Modelado Físico: El equipo transitó de modelos simétricos azimutales 2D a simulaciones 3D de radiofrecuencia (RF) de alta fidelidad utilizando COMSOL para capturar la asimetría azimutal intrínseca del calentamiento helicón. Estos resultados se acoplaron con el código de turbulencia de fluidos 3D HERMES-3 para simular la generación y el transporte del plasma.
   • Mapeo de Tubos de Flujo: Se desarrolló un marco de orden reducido para mapear el flujo de calor desde la ventana helicón hacia los objetivos aguas abajo, trazando tubos de flujo a lo largo de las líneas del campo magnético, preservando la identidad de paquetes de flujo específicos en lugar de solo las coordenadas de la superficie.
   • Arquitectura de IA: Se entrenaron Autoencoders Variacionales (VAE) con mediciones infrarrojas (IR) de Proto-MPEX y datos de simulación. Estos modelos generativos aprenden un espacio latente compartido para fusionar datos experimentales ruidosos con simulaciones de múltiples fidelidades. El sistema de IA utiliza un bucle orientado al control para detectar puntos calientes, predecir la redistribución del flujo de calor bajo corrientes de bobina variables y recomendar parámetros operativos para minimizar la carga en la ventana manteniendo el flujo objetivo.

2. Gemelo Digital de Evaluación de Daños por Haz de Electrones:

   • Caracterización Automatizada: Se desarrolló una tubería de procesamiento de imágenes totalmente automatizada para imágenes de Microscopía Electrónica de Barrido (SEM). Utiliza realce de crestas Sato, suavizado gaussiano, enmascaramiento de agudeza y umbralización triangular para identificar y segmentar robustamente redes de grietas en materiales heterogéneos y resoluciones diversas.
   • Codificación de Características y Aprendizaje de Métricas: Parches de imagen se codifican utilizando un transformador de visión DINOv2 preentrenado para crear vectores de características de alta dimensión. La reducción de dimensionalidad mediante PCA y mapas de difusión crea una variedad de baja dimensión donde se preserva la similitud morfológica. Un enfoque de aprendizaje de métricas alinea la distancia en este espacio de características con la distancia en el espacio de parámetros experimentales (temperatura, flujo de calor, aleación).
   • Predicción y Simulación: Se utiliza la Regresión de Crestas de Kernel (KRR) para predecir la densidad de grietas basándose en la métrica aprendida. Para abordar la escasez de datos, se extendió el código de peridinámica CabanaPD para modelar mecánica de continuo anisotrópica y simulaciones de choque térmico de larga duración. Estas simulaciones basadas en física generan datos sintéticos para llenar las brechas en el espacio de parámetros experimentales.
   • Automatización del Flujo de Trabajo: Todas las herramientas (códigos físicos, modelos de IA, análisis de datos) se integraron en la plataforma web Galaxy, permitiendo flujos de trabajo reproducibles y la ingestión automatizada de datos desde recursos HPC del DOE.

Contribuciones Clave

• Modelado RF 3D: Las primeras simulaciones 3D con COMSOL del sistema helicón de MPEX revelaron que el calentamiento se localiza en el plano 2D perpendicular a las líneas del campo magnético debido a la colisionalidad de borde y la excitación de múltiples modos, contradiciendo las suposiciones anteriores de simetría 2D.
• Marco de Control Generativo: Desarrollo de un controlador basado en VAE que interpola con éxito entre condiciones experimentales para predecir mapas de flujo de calor IR y optimizar las corrientes de bobina para el calentamiento central del plasma, reduciendo así los puntos calientes azimutales.
• Identificación Robusta de Grietas: Creación de una tubería de procesamiento de imágenes totalmente automatizada y libre de parámetros capaz de extraer la densidad de grietas de diversas imágenes SEM, desplegada mediante Galaxy.
• Sustituto de IA Informado por Física: Integración de simulaciones de peridinámica CabanaPD con modelos de IA para generar datos de entrenamiento en regímenes donde los datos experimentales son escasos, abordando específicamente el comportamiento mecánico anisotrópico en aleaciones de tungsteno.
• Aprendizaje de Métricas para Daños: Implementación de una métrica aprendida en el espacio de parámetros que se alinea con la similitud morfológica en el espacio de difusión, permitiendo predicciones de densidad de grietas más físicamente significativas que la regresión de parámetros crudos.

Resultados

• Control de Puntos Calientes: El controlador de IA demostró la capacidad de minimizar la asimetría axial del calor variando las corrientes de bobina, aunque la asimetría azimutal sigue siendo un desafío debido a las variaciones del flujo de calor paralelo del plasma. El sistema identificó con éxito que el calentamiento central del plasma es el factor crítico para reducir los puntos calientes azimutales.
• Predicción de Daños: La herramienta automatizada de identificación de grietas logró una segmentación confiable tanto en superficies altamente agrietadas como en superficies sin daños. El modelo KRR que utiliza la métrica aprendida mostró una buena precisión de predicción donde existían datos, aunque exhibió una subestimación sistemática en regímenes de bajo daño debido a la escasez de datos.
• Validación de Simulación: El código CabanaPD extendido se validó contra datos experimentales de tensión-deformación para varias aleaciones de tungsteno, capturando con éxito respuestas mecánicas anisotrópicas y prediciendo la iniciación de grietas bajo condiciones de choque térmico por haz de electrones.
• Integración del Flujo de Trabajo: Un subconjunto de códigos de simulación física (DREAM, GITR, CabanaPD) y la herramienta de identificación de grietas con IA se desplegaron con éxito en la instancia Galaxy de ORNL, conectándose a recursos HPC.

Significado
El documento afirma que este trabajo establece la base para una plataforma científica totalmente funcional donde agentes de IA pueden controlar autónomamente las operaciones de MPEX y evaluar el daño en los materiales. Al unir simulaciones físicas de alta fidelidad con datos experimentales a través de IA generativa y aprendizaje de métricas, el proyecto permite una búsqueda generativa rápida de materiales óptimos con daño reducido en la interacción plasma-material (PMI). La integración de estas capacidades en el marco Galaxy asegura que la instalación MPEX pueda operar con decisiones de agentes de IA para evitar paradas durante pulsos largos y calificar eficientemente nuevos materiales candidatos, superando las búsquedas empíricas ineficientes. El informe sitúa estos hitos de la Fase I como un precursor de la Fase II, que ampliará el control a todo el sistema de calefacción y refrigeración de la instalación e incorporará modalidades adicionales de daño por plasma.