MPEX AI Digital Twins Milestone Report

La presente relazione di avanzamento semestrale delinea lo sviluppo in linea con i piani di due traguardi di Fase I per il progetto MPEX – un controllore AI per punti critici Helicon e un gemello digitale per la valutazione dei danni da fascio di elettroni – insieme alla configurazione dell'interfaccia software Galaxy per integrare le simulazioni fisiche con le risorse HPC del DOE e il Cloud Scientifico Americano per l'analisi automatizzata dei dati e le operazioni guidate dall'intelligenza artificiale.

L'essenziale

Immagina una cucina massiccia e futuristica dove gli scienziati stanno cercando di preparare il pasto perfetto: l'energia da fusione nucleare. Il "forno" è una macchina chiamata MPEX, e gli "ingredienti" sono plasma supercaldo e pareti metalliche speciali. L'obiettivo è testare se queste pareti metalliche possono resistere al calore estremo senza creparsi o fondersi.

Tuttavia, cucinare in questa cucina è complicato. Il calore non si distribuisce uniformemente; crea "punti caldi" che possono bruciare buchi nella porta del forno o nella pentola. Se le pareti si crepano, l'esperimento fallisce.

Questo rapporto è un aggiornamento sui progressi di un team di scienziati (dai Laboratori Nazionali di Oak Ridge e Lawrence Livermore) che stanno costruendo un "Gemello Digitale" per questa cucina. Pensa a un Gemello Digitale come a una versione virtuale perfetta, simile a un videogioco, della macchina reale. Stanno insegnando a un'Intelligenza Artificiale (AI) a fare lo chef principale, utilizzando questa versione virtuale per prevedere cosa accadrà prima di accendere la macchina reale.

Ecco una panoramica delle loro due principali "ricette" per il successo:

1. Il Controllore dei "Punti Caldi" (Tenere al sicuro la porta del forno)

Il Problema:
Nella macchina reale, il calore proviene da un tipo specifico di onda (chiamata "elicone"). A volte, questo calore rimane intrappolato in un punto, come una lente d'ingrandimento che concentra la luce solare su una foglia, creando un pericoloso "punto caldo" che potrebbe crepare il vetro della finestra della macchina.

La Soluzione AI:
Gli scienziati hanno costruito un controllore intelligente che agisce come un agente del traffico per il calore.

• Il Vecchio Modo: Gli scienziati usavano a indovinare come regolare le "strade" magnetiche (bobine) per distribuire il calore. Era come cercare di radunare dei gatti indovinando dove sarebbero corsi.
• Il Nuovo Modo: Hanno creato un modello virtuale 3D della macchina. Hanno insegnato a un'AI a guardare le immagini del calore (prese da telecamere speciali) e a capire esattamente come regolare le strade magnetiche per distribuire il calore uniformemente.
• L'Analogia: Immagina di versare acqua in un labirinto di tubi. Se versi troppo velocemente in un punto, questo esplode. L'AI è come un sistema intelligente che regola istantaneamente le valvole (bobine magnetiche) per assicurarsi che l'acqua fluisca fluidamente ovunque, impedendo a qualsiasi singolo tubo di esplodere.

Stanno attualmente addestrando questa AI utilizzando dati da una cucina di prova più piccola (chiamata "proto-MPEX") in modo che, quando la grande macchina verrà aperta, l'AI saprà già come mantenere la temperatura perfetta.

2. Il "Detective dei Danni" (Prevedere le crepe nel metallo)

Il Problema:
Le pareti metalliche (realizzate in tungsteno) vengono testate per vedere se si crepano sotto calore estremo. Per testare questo, usano un potente fascio di elettroni (come un phon superveloce) per riscaldare il metallo. Successivamente, scattano foto microscopiche per contare le crepe.

• La Sfida: Ci sono troppi diversi tipi di metallo e troppe impostazioni di calore per testarli tutti fisicamente. Ci vorrebbe un'eternità per testare ogni singola combinazione. Inoltre, le foto sono difficili da analizzare perché le crepe appaiono diverse a seconda della struttura del grano del metallo.

La Soluzione AI:
Il team ha costruito un analizzatore di immagini super-intelligente e una sfera di cristallo.

• L'Analizzatore di Immagini: Hanno insegnato a un'AI a guardare le foto microscopiche del metallo e a trovare automaticamente ogni singola crepa, per quanto piccola o strana appaia. È come dare all'AI un paio di occhiali che possono individuare istantaneamente una crepa capillare in un pezzo di vetro.
• La Sfera di Cristallo (Previsione): Poiché non possono testare ogni metallo, hanno utilizzato un simulatore fisico (un programma che calcola come si rompe il metallo) per generare dati "finti". Hanno combinato le foto reali con i dati fisici finti per insegnare all'AI un pattern.
• L'Analogia: Immagina di avere alcuni campioni di argilla che si sono crepati quando cotti. Vuoi sapere se un nuovo tipo di argilla si creperà. Invece di cuocere il nuovo argilla (il che richiede tempo), usi l'AI per guardare la "forma" delle crepe nell'argilla vecchia e la fisica di come l'argilla si rompe. L'AI poi prevede: "Se cuoci questa nuova argilla a questa temperatura, probabilmente si creperà qui".

3. Il "Manager della Cucina" (Flusso di lavoro Galaxy)

Per far funzionare tutto ciò, gli scienziati hanno costruito un pannello di controllo centrale chiamato Galaxy.

• L'Analogia: Pensa a questo come a un libro di ricette maestro combinato con un timer da cucina. Collega l'AI, i simulatori fisici e i dati della macchina reale. Permette agli scienziati (o anche all'AI stessa) di eseguire esperimenti complessi con pochi clic, assicurando che ogni passaggio sia registrato e ripetibile. È la colla che tiene insieme il "Gemello Digitale".

Cosa Succede Dopo? (L'Obiettivo di Giugno)

Entro giugno 2026, il team prevede di mostrare una versione funzionante di questo sistema:

1. Per i Punti Caldi: L'AI predirà con successo le migliori impostazioni per mantenere il calore centrato e sicuro, utilizzando i dati dalla loro macchina di prova più piccola.
2. Per i Danni: L'AI predirà con successo dove si formeranno le crepe nei diversi metalli, utilizzando un mix di foto reali e simulazioni al computer, dimostrando di poter "indovinare" l'esito senza bisogno di testare fisicamente ogni singolo pezzo di metallo.

In Sintesi:
Gli scienziati stanno costruendo un gemello virtuale della loro macchina a fusione e stanno insegnando a uno chef AI a gestire il calore e a un detective virtuale a prevedere le crepe nel metallo. Questo permette loro di eseguire esperimenti più velocemente, in modo più sicuro e più intelligente, portandoci un passo più vicino all'energia da fusione pulita e illimitata.

Sommario tecnico

Sintesi Tecnica: Relazione sul Traguardo dei Gemelli Digitali AI di MPEX

Enunciato del Problema
L'esperimento di Esposizione al Plasma dei Materiali (MPEX) è progettato per qualificare i materiali a contatto con il plasma per le centrali a fusione in condizioni di flussi estremi di calore e particelle. Una sfida operativa critica è la formazione di "punti caldi" localizzati sui componenti a contatto con il plasma, in particolare sulla finestra dell'antenna a elicon, che possono portare a sputtering o cedimento strutturale. Inoltre, la valutazione dei danni ai materiali (crepe, erosione) richiede estese prove sperimentali, limitate dal numero finito di campioni e dalla scarsità di dati disponibili tra diverse composizioni di materiali e condizioni di esposizione. Il progetto affronta la necessità di un vantaggio dell'Intelligenza Artificiale (AI) per ottimizzare le operazioni MPEX in tempo reale e accelerare la valutazione dei danni ai materiali attraverso una combinazione di dati sperimentali, simulazioni fisiche e AI generativa.

Metodologia
Il progetto sviluppa due Gemelli Digitali AI primari: uno per il controllo dei punti caldi del riscaldamento a elicon e un altro per la valutazione dei danni ai materiali indotti da fascio elettronico (E-beam).

1. Controllore AI per Punti Caldi a Elicon:

   • Modellazione Fisica: Il team è passato da modelli bidimensionali ad asse di simmetria azimutale a simulazioni RF tridimensionali ad alta fedeltà utilizzando COMSOL per catturare l'asimmetria azimutale intrinseca del riscaldamento a elicon. Questi risultati sono stati accoppiati con il codice di turbolenza fluida tridimensionale HERMES-3 per simulare la generazione e il trasporto del plasma.
   • Mappatura dei Tubi di Flusso: È stato sviluppato un framework di ordine ridotto per mappare il flusso di calore dalla finestra a elicon agli obiettivi a valle tracciando i tubi di flusso lungo le linee del campo magnetico, preservando l'identità di specifici fasci di flusso anziché solo le coordinate superficiali.
   • Architettura AI: Gli Autoencoder Variazionali (VAE) sono stati addestrati su misurazioni infrarosse (IR) di Proto-MPEX e su dati di simulazione. Questi modelli generativi apprendono uno spazio latente condiviso per fondere dati sperimentali rumorosi con simulazioni multi-fiducia. Il sistema AI utilizza un ciclo orientato al controllo per rilevare i punti caldi, prevedere la ridistribuzione del flusso di calore al variare delle correnti delle bobine e raccomandare parametri operativi per minimizzare il carico sulla finestra mantenendo il flusso verso l'obiettivo.

2. Gemello Digitale per la Valutazione dei Danni da Fascio Elettronico:

   • Caratterizzazione Automatizzata: È stata sviluppata una pipeline di elaborazione delle immagini completamente automatizzata per le immagini di Microscopia Elettronica a Scansione (SEM). Utilizza l'enhancement delle creste di Sato, la smoothing gaussiana, la maschera di contrasto (unsharp masking) e la soglia triangolare per identificare e segmentare in modo robusto le reti di crepe attraverso materiali e risoluzioni eterogenei.
   • Codifica delle Caratteristiche e Apprendimento della Metrica: Le patch di immagine sono codificate utilizzando un transformer visivo DINOv2 pre-addestrato per creare vettori di caratteristiche ad alta dimensionalità. La riduzione della dimensionalità tramite PCA e mappe di diffusione crea una varietà a bassa dimensionalità in cui la similarità morfologica è preservata. Un approccio di apprendimento della metrica allinea la distanza in questo spazio delle caratteristiche con la distanza nello spazio dei parametri sperimentali (temperatura, flusso di calore, lega).
   • Previsione e Simulazione: La Regressione a Rigidità del Nucleo (KRR) è utilizzata per prevedere la densità delle crepe sulla base della metrica appresa. Per affrontare la scarsità di dati, il codice peridinamico CabanaPD è stato esteso per modellare la meccanica dei continui anisotropa e simulazioni di shock termico a lungo termine. Queste simulazioni basate sulla fisica generano dati sintetici per colmare le lacune nello spazio dei parametri sperimentali.
   • Automazione del Flusso di Lavoro: Tutti gli strumenti (codici fisici, modelli AI, analisi dei dati) sono integrati nella piattaforma web Galaxy, consentendo flussi di lavoro riproducibili e l'ingestione automatizzata di dati dalle risorse HPC del DOE.

Contributi Chiave

• Modellazione RF 3D: Le prime simulazioni COMSOL 3D del sistema a elicon MPEX hanno rivelato che il riscaldamento è localizzato nel piano bidimensionale perpendicolare alle linee del campo magnetico a causa della collisionalità al bordo e dell'eccitazione multimodale, contraddicendo le precedenti ipotesi di simmetria bidimensionale.
• Framework di Controllo Generativo: Sviluppo di un controllore basato su VAE che interpola con successo tra le condizioni sperimentali per prevedere le mappe di flusso di calore IR e ottimizzare le correnti delle bobine per il riscaldamento centrale del plasma, riducendo così i punti caldi azimutali.
• Identificazione Robusta delle Crepe: Creazione di una pipeline di elaborazione delle immagini completamente automatizzata e priva di parametri, capace di estrarre la densità delle crepe da diverse immagini SEM, distribuita tramite Galaxy.
• Surrogato AI Informato dalla Fisica: Integrazione delle simulazioni peridinamiche CabanaPD con modelli AI per generare dati di addestramento per regimi in cui i dati sperimentali sono scarsi, affrontando specificamente il comportamento meccanico anisotropo nelle leghe di tungsteno.
• Apprendimento della Metrica per i Danni: Implementazione di una metrica appresa nello spazio dei parametri che si allinea con la similarità morfologica nello spazio di diffusione, consentendo previsioni di densità delle crepe più fisicamente significative rispetto alla regressione grezza dei parametri.

Risultati

• Controllo dei Punti Caldi: Il controllore AI ha dimostrato la capacità di minimizzare l'asimmetria assiale del calore variando le correnti delle bobine, sebbene l'asimmetria azimutale rimanga una sfida a causa delle variazioni del flusso di calore parallelo al plasma. Il sistema ha identificato con successo che il riscaldamento centrale del plasma è il fattore critico per ridurre i punti caldi azimutali.
• Previsione dei Danni: Lo strumento automatizzato di identificazione delle crepe ha raggiunto una segmentazione affidabile sia su superfici altamente increspate che su superfici indenni. Il modello KRR che utilizza la metrica appresa ha mostrato una buona accuratezza predittiva dove esistevano dati, sebbene abbia mostrato una sottostima sistematica nei regimi a basso danno a causa della scarsità di dati.
• Validazione della Simulazione: Il codice CabanaPD esteso è stato validato contro dati sperimentali di sforzo-deformazione per varie leghe di tungsteno, catturando con successo le risposte meccaniche anisotrope e prevedendo l'inizio delle crepe in condizioni di shock termico da fascio elettronico.
• Integrazione del Flusso di Lavoro: Un sottoinsieme di codici di simulazione fisica (DREAM, GITR, CabanaPD) e lo strumento AI di identificazione delle crepe sono stati distribuiti con successo sull'istanza Galaxy dell'ORNL, collegandosi alle risorse HPC.

Significato
Il documento afferma che questo lavoro stabilisce le fondamenta per una piattaforma scientifica pienamente funzionante in cui agenti AI possono controllare autonomamente le operazioni MPEX e valutare i danni ai materiali. Colmando il divario tra simulazioni fisiche ad alta fedeltà e dati sperimentali attraverso l'AI generativa e l'apprendimento della metrica, il progetto consente una ricerca generativa rapida di materiali ottimali con ridotti danni da interazione plasma-materiale (PMI). L'integrazione di queste capacità nel framework Galaxy garantisce che la struttura MPEX possa operare con decisioni agenziali AI per evitare arresti durante impulsi lunghi e qualificare efficientemente nuovi materiali candidati, superando le ricerche empiriche inefficienti. Il rapporto posiziona questi traguardi della Fase I come un precursore della Fase II, che estenderà il controllo all'intero sistema di riscaldamento e raffreddamento della struttura e incorporerà modalità aggiuntive di danni al plasma.