MPEX AI Digital Twins Milestone Report

Ce rapport d'avancement semestriel décrit le développement conforme au calendrier de deux jalons de phase I relatifs à l'intelligence artificielle pour le projet MPEX — un contrôleur de points chauds Helicon par IA et un jumeau numérique d'évaluation des dommages par faisceau d'électrons — ainsi que la configuration de l'interface logicielle Galaxy pour intégrer les simulations physiques aux ressources de calcul haute performance du Département de l'Énergie et au Cloud scientifique américain afin d'assurer l'analyse automatisée des données et les opérations pilotées par l'intelligence artificielle.

L'essentiel

Imaginez une cuisine massive et futuriste où des scientifiques tentent de préparer le repas parfait : l'énergie de fusion nucléaire. Le « four » est une machine appelée MPEX, et les « ingrédients » sont un plasma ultra-chaud et des parois métalliques spéciales. L'objectif est de tester si ces parois métalliques peuvent résister à une chaleur extrême sans se fissurer ni fondre.

Cependant, cuisiner dans cette cuisine est délicat. La chaleur ne se répartit pas uniformément ; elle crée des « points chauds » qui peuvent brûler des trous dans la porte du four ou dans le pot de cuisson. Si les parois se fissurent, l'expérience échoue.

Ce rapport est une mise à jour de l'avancement d'une équipe de scientifiques (des Laboratoires nationaux d'Oak Ridge et de Lawrence Livermore) qui construisent un « Jumeau Numérique » pour cette cuisine. Imaginez un Jumeau Numérique comme une version virtuelle parfaite de jeu vidéo de la machine réelle. Ils enseignent à une Intelligence Artificielle (IA) à être le chef cuisinier en chef, utilisant cette version virtuelle pour prédire ce qui se passera avant d'allumer la vraie machine.

Voici une décomposition de leurs deux « recettes » principales pour réussir :

1. Le Contrôleur de « Point Chaud » (Protéger la Porte du Four)

Le Problème :
Dans la vraie machine, la chaleur provient d'un type spécifique d'onde (appelée « hélicon »). Parfois, cette chaleur reste bloquée à un endroit précis, comme une loupe concentrant la lumière du soleil sur une feuille, créant un dangereux « point chaud » qui pourrait fissurer la vitre de la machine.

La Solution de l'IA :
Les scientifiques ont construit un contrôleur intelligent qui agit comme un agent de circulation pour la chaleur.

• L'Ancienne Méthode : Les scientifiques devaient deviner comment ajuster les « routes » magnétiques (les bobines) pour répartir la chaleur. C'était comme essayer de rassembler des chats en devinant où ils allaient courir.
• La Nouvelle Méthode : Ils ont créé un modèle virtuel 3D de la machine. Ils ont enseigné à une IA à regarder des images de la chaleur (prises par des caméras spéciales) et à déterminer exactement comment ajuster les routes magnétiques pour répartir la chaleur uniformément.
• L'Analogie : Imaginez que vous versez de l'eau dans un labyrinthe de tuyaux. Si vous versez trop vite à un endroit, cela éclate. L'IA est comme un système intelligent qui ajuste instantanément les vannes (les bobines magnétiques) pour s'assurer que l'eau s'écoule uniformément partout, empêchant ainsi n'importe quel tuyau de éclater.

Ils entraînent actuellement cette IA en utilisant des données d'une petite cuisine de test (appelée « proto-MPEX ») afin que, lorsque la grande machine sera opérationnelle, l'IA sache déjà comment maintenir la température parfaite.

2. Le « Détective des Dégâts » (Prédire les Fissures dans le Métal)

Le Problème :
Les parois métalliques (faites de tungstène) sont testées pour voir si elles se fissurent sous une chaleur extrême. Pour tester cela, ils utilisent un puissant faisceau d'électrons (comme un sèche-cheveux ultra-rapide) pour chauffer le métal. Ensuite, ils prennent des photos microscopiques pour compter les fissures.

• Le Défi : Il y a trop de différents types de métaux et trop de réglages de chaleur pour tous les tester physiquement. Cela prendrait une éternité de tester chaque combinaison unique. De plus, les photos sont difficiles à analyser car les fissures apparaissent différemment selon la structure du grain du métal.

La Solution de l'IA :
L'équipe a construit un analyseur d'images ultra-intelligent et une boule de cristal.

• L'Analyseur d'Images : Ils ont enseigné à une IA à regarder des photos microscopiques du métal et à trouver automatiquement chaque fissure, aussi petite ou bizarre soit-elle. C'est comme donner à l'IA une paire de lunettes capables de repérer instantanément une fissure microscopique dans un morceau de verre.
• La Boule de Cristal (Prédiction) : Puisqu'ils ne peuvent pas tester chaque métal, ils ont utilisé un simulateur physique (un programme qui calcule comment le métal se brise) pour générer des données « factices ». Ils ont combiné les vraies photos avec les données physiques factices pour enseigner un motif à l'IA.
• L'Analogie : Imaginez que vous avez quelques échantillons d'argile qui se sont fissurés lors de la cuisson. Vous voulez savoir si un nouveau type d'argile va se fissurer. Au lieu de cuire le nouvel argile (ce qui prend du temps), vous utilisez l'IA pour examiner la « forme » des fissures dans l'ancienne argile et la physique de la façon dont l'argile se brise. L'IA prédit alors : « Si vous cuisez cette nouvelle argile à cette température, elle se fissurera probablement ici. »

3. Le « Gestionnaire de Cuisine » (Flux de travail Galaxy)

Pour faire fonctionner tout cela, les scientifiques ont construit un panneau de contrôle central appelé Galaxy.

• L'Analogie : Imaginez cela comme un livre de recettes maître et un minuteur de cuisine combinés. Il connecte l'IA, les simulateurs physiques et les données de la vraie machine. Il permet aux scientifiques (ou même à l'IA elle-même) de lancer des expériences complexes en quelques clics, garantissant que chaque étape est enregistrée et reproductible. C'est la colle qui maintient le « Jumeau Numérique » ensemble.

Et Maintenant ? (L'Objectif de Juin)

D'ici juin 2026, l'équipe prévoit de présenter une version fonctionnelle de ce système :

1. Pour les Points Chauds : L'IA prédira avec succès les meilleurs réglages pour maintenir la chaleur centrée et sûre, en utilisant les données de leur petite machine de test.
2. Pour les Dégâts : L'IA prédira avec succès où les fissures se formeront dans différents métaux, en utilisant un mélange de vraies photos et de simulations informatiques, prouvant qu'elle peut « deviner » le résultat sans avoir besoin de tester physiquement chaque morceau de métal.

En Résumé :
Les scientifiques construisent un jumeau virtuel de leur machine à fusion et enseignent à un chef IA à gérer la chaleur et à un détective virtuel de prédire les fissures métalliques. Cela leur permet de mener des expériences plus rapidement, plus sûrement et plus intelligemment, nous rapprochant d'un pas de l'énergie de fusion propre et illimitée.

Résumé technique

Résumé technique : Rapport d'étape sur les jumeaux numériques IA de MPEX

Énoncé du problème
L'expérience d'exposition au plasma de matériaux (MPEX) est conçue pour qualifier les matériaux face au plasma destinés aux centrales à fusion sous des flux extrêmes de chaleur et de particules. Un défi opérationnel critique est la formation de « points chauds » localisés sur les composants face au plasma, en particulier la fenêtre de l'antenne à hélicon, ce qui peut entraîner une pulvérisation cathodique ou une défaillance structurelle. De plus, l'évaluation des dommages matériels (fissuration, érosion) nécessite des tests expérimentaux extensifs, limités par le nombre fini d'échantillons et la rareté des données disponibles pour différentes compositions de matériaux et conditions d'exposition. Le projet répond au besoin d'un avantage de l'intelligence artificielle (IA) pour optimiser les opérations de MPEX en temps réel et accélérer l'évaluation des dommages matériels grâce à une combinaison de données expérimentales, de simulations physiques et d'IA générative.

Méthodologie
Le projet développe deux jumeaux numériques IA principaux : l'un pour le contrôle des points chauds de chauffage à hélicon et l'autre pour l'évaluation des dommages matériels induits par un faisceau d'électrons (E-beam).

1. Contrôleur IA de points chauds à hélicon :

   • Modélisation physique : L'équipe est passée de modèles 2D à symétrie azimutale à des simulations RF 3D haute fidélité utilisant COMSOL pour capturer l'asymétrie azimutale intrinsèque du chauffage à hélicon. Ces résultats ont été couplés au code de turbulence fluide 3D HERMES-3 pour simuler la génération et le transport du plasma.
   • Cartographie des tubes de flux : Un cadre d'ordre réduit a été développé pour cartographier le flux de chaleur de la fenêtre à hélicon vers les cibles en aval en traçant des tubes de flux le long des lignes de champ magnétique, préservant l'identité de paquets de flux spécifiques plutôt que de simples coordonnées de surface.
   • Architecture IA : Des autoencodeurs variationnels (VAE) ont été entraînés sur des mesures infrarouges (IR) de Proto-MPEX et des données de simulation. Ces modèles génératifs apprennent un espace latent partagé pour fusionner des données expérimentales bruyantes avec des simulations multi-fidélité. Le système IA utilise une boucle orientée contrôle pour détecter les points chauds, prédire la redistribution du flux de chaleur sous des courants de bobine variables et recommander des paramètres de fonctionnement pour minimiser la charge sur la fenêtre tout en maintenant le flux cible.

2. Jumeau numérique d'évaluation des dommages par faisceau d'électrons :

   • Caractérisation automatisée : Une chaîne de traitement d'images entièrement automatisée a été développée pour les images de microscopie électronique à balayage (MEB). Elle utilise l'amélioration de crête de Sato, le lissage gaussien, le masquage flou (unsharp masking) et le seuillage triangulaire pour identifier et segmenter de manière robuste les réseaux de fissures à travers des matériaux et des résolutions hétérogènes.
   • Encodage des caractéristiques et apprentissage de métrique : Des patches d'images sont encodés à l'aide d'un transformeur de vision DINOv2 pré-entraîné pour créer des vecteurs de caractéristiques de haute dimension. La réduction de dimensionnalité via l'ACP et les cartes de diffusion crée une variété de basse dimension où la similarité morphologique est préservée. Une approche d'apprentissage de métrique aligne la distance dans cet espace de caractéristiques avec la distance dans l'espace des paramètres expérimentaux (température, flux de chaleur, alliage).
   • Prédiction et simulation : La régression à noyau ridge (KRR) est utilisée pour prédire la densité de fissures sur la base de la métrique apprise. Pour remédier à la rareté des données, le code de péridynamique CabanaPD a été étendu pour modéliser la mécanique des milieux continus anisotrope et les simulations de choc thermique à long terme. Ces simulations basées sur la physique génèrent des données synthétiques pour combler les lacunes dans l'espace des paramètres expérimentaux.
   • Automatisation du flux de travail : Tous les outils (codes physiques, modèles IA, analyse de données) sont intégrés dans la plateforme web Galaxy, permettant des flux de travail reproductibles et une ingestion automatisée de données depuis les ressources HPC du DOE.

Contributions clés

• Modélisation RF 3D : Les premières simulations COMSOL 3D du système à hélicon de MPEX ont révélé que le chauffage est localisé dans le plan 2D perpendiculaire aux lignes de champ magnétique en raison de la collisionnalité des bords et de l'excitation multi-mode, contredisant les hypothèses précédentes de symétrie 2D.
• Cadre de contrôle génératif : Développement d'un contrôleur basé sur VAE qui interpole avec succès entre les conditions expérimentales pour prédire les cartes de flux de chaleur IR et optimiser les courants de bobine pour le chauffage central du plasma, réduisant ainsi les points chauds azimutaux.
• Identification robuste des fissures : Création d'une chaîne de traitement d'images entièrement automatisée et sans paramètres capables d'extraire la densité de fissures à partir d'images MEB diverses, déployée via Galaxy.
• Surrogé IA informé par la physique : Intégration des simulations de péridynamique CabanaPD avec des modèles IA pour générer des données d'entraînement pour des régimes où les données expérimentales sont rares, traitant spécifiquement le comportement mécanique anisotrope des alliages de tungstène.
• Apprentissage de métrique pour les dommages : Mise en œuvre d'une métrique apprise dans l'espace des paramètres qui s'aligne avec la similarité morphologique dans l'espace de diffusion, permettant des prédictions de densité de fissures plus physiquement significatives qu'une régression brute des paramètres.

Résultats

• Contrôle des points chauds : Le contrôleur IA a démontré sa capacité à minimiser l'asymétrie axiale de la chaleur en variant les courants de bobine, bien que l'asymétrie azimutale reste un défi en raison des variations du flux de chaleur parallèle au plasma. Le système a identifié avec succès que le chauffage central du plasma est le facteur critique pour réduire les points chauds azimutaux.
• Prédiction des dommages : L'outil automatisé d'identification des fissures a atteint une segmentation fiable à la fois sur des surfaces fortement fissurées et non endommagées. Le modèle KRR utilisant la métrique apprise a montré une bonne précision de prédiction là où des données existaient, bien qu'il ait présenté une sous-estimation systématique dans les régimes de faible dommage en raison de la rareté des données.
• Validation de la simulation : Le code CabanaPD étendu a été validé par rapport aux données expérimentales contrainte-déformation pour divers alliages de tungstène, capturant avec succès les réponses mécaniques anisotropes et prédisant l'amorçage de fissures dans des conditions de choc thermique par faisceau d'électrons.
• Intégration du flux de travail : Un sous-ensemble de codes de simulation physique (DREAM, GITR, CabanaPD) et l'outil d'identification IA des fissures ont été déployés avec succès sur l'instance Galaxy d'ORNL, se connectant aux ressources HPC.

Signification
L'article affirme que ce travail établit les fondations d'une plateforme scientifique entièrement fonctionnelle où des agents IA peuvent contrôler de manière autonome les opérations de MPEX et évaluer les dommages matériels. En reliant des simulations physiques haute fidélité aux données expérimentales par le biais de l'IA générative et de l'apprentissage de métrique, le projet permet une recherche générative rapide de matériaux optimaux avec une réduction des dommages liés à l'interaction plasma-matériau (PMI). L'intégration de ces capacités dans le cadre Galaxy garantit que l'installation MPEX peut fonctionner avec des décisions d'agents IA pour éviter les arrêts pendant les impulsions longues et qualifier efficacement de nouveaux matériaux candidats, dépassant ainsi les recherches empiriques inefficaces. Le rapport positionne ces étapes de la Phase I comme un précurseur de la Phase II, qui étendra le contrôle à l'ensemble des systèmes de chauffage et de refroidissement de l'installation et incorporera des modalités supplémentaires de dommages au plasma.