MPEX AI Digital Twins

MPEX AI デジタルツインプロジェクトは、実験データと物理シミュレーションデータを用いて AI モデルを訓練し、材料評価、運転制御、および PMI シミュレーションのためのデジタルツインを構築することで、MPEX 装置の科学的成果を最大化することを目指しています。

要約

あなたは、機械の中に閉じ込められた恒星のために、究極の破壊不可能な盾を構築しようとしていると想像してください。この機械はMPEX（Material Plasma Exposure eXperiment：材料プラズマ曝露実験）と呼ばれ、その任務は、将来の核融合発電所内の条件に耐えられるかどうかを確認するため、特殊な材料に超高温・超高速の粒子を照射することです。

問題は、この「恒星」が予測不能であることです。それは突然、間違った場所にレーザーのような熱のビームを放ち、機械の窓をひび割らせたり、試験材料を溶かしたりする可能性があります。すべての可能な材料を手作業でテストするには、永遠の時間がかかり、莫大な費用がかかるでしょう。

この論文は、MPEX AI デジタルツインという解決策を提案します。これは、現実の MPEX 機械の「ビデオゲーム版」のようなものですが、現実のものから学習し、未来を予測できるほど賢いものです。チームがこれを構築する計画を、簡単なステップに分解して以下に示します。

1. 「写真アルバム」と「スマートな目」

まず、チームはデータを整理する必要があります。MPEX は、材料が照射される前と後に、数千枚の高速写真を撮影します。

• 比喩: 数百万枚のぼやけた写真を眺めて犯罪を解決しようとする探偵を想像してください。チームは、これらの写真を瞬時に拡大し、最も小さなひび割れ、溶けた箇所、または粗い部分を見つけ出す「スマートな目」（AI）を構築しています。
• 目標: 人間が何日も画面を凝視する代わりに、AI が自動的にどの程度の損傷が発生したかを正確に測定し、すべてのテストに対して標準化された「損傷レポート」を作成します。

2. 「仮想物理実験室」

現実の実験は高価で時間がかかります。そこで、チームはSTRIPEと呼ばれる複雑なコンピュータシミュレーションを構築しています。

• 比喩: 現実の MPEX が実際の航空機の翼をテストする風洞だとすれば、STRIPE は超高度なフライトシミュレーターです。それは単に推測するのではなく、実際の物理方程式を使用して、風（プラズマ）が翼（材料）にどのように当たり、金属がどのように加熱され、どのように欠けていくかを計算します。
• アップグレード: 彼らは、このシミュレーターを高速化するために AI を使用しています。通常、すべての単一粒子をシミュレーションするには永遠の時間がかかります。AI は「スピードダイヤル」として機能し、パターンを学習することで、結果を数週間ではなく数秒で予測できるようにします。

3. 「交通整理員」（ホットスポット制御装置）

最大の危険の一つは「ホットスポット」です。これは、熱が過度に集中し、機械の窓をひび割らせる可能性のある微小な領域です。

• 比喩: 死角のある車を運転していると想像してください。衝突する前に危険を察知できる副操縦士が必要です。AI ホットスポット制御装置がその副操縦士です。それはリアルタイムのカメラ映像と機械の設定を監視します。
• 仕組み: AI が危険な熱のスポットが形成されるのを見ると、機械の磁石の設定を瞬時に変更（ハンドルをわずかに切るようなもの）し、熱を窓から逃がして標的の材料に戻すよう提案します。これは試行錯誤によって学習しますが、人間よりもはるかに速く学習します。

4. 「材料の予言者」（デジタルツイン）

これがグランドフィナーレです。チームは、実際の写真（「スマートな目」から）とコンピュータシミュレーション（「仮想実験室」から）を組み合わせ、マスター AI モデルを訓練したいと考えています。

• 比喩: 世界中のすべての料理を味わい、すべての材料の化学的性質を知っている料理人の想像してください。「この新しいスパイスとあの新しい肉を混ぜたらどうなるか？」と尋ねれば、料理人はそれを調理しなくても答えを知っています。
• 目標: この「材料の予言者」は、全く新しく、これまでテストされたことのない材料を見て、プラズマに対してどのように耐えるかを正確に予測できます。それは「夢の中で」何千もの仮想材料を創造し、シミュレーションでテストし、科学者にこう伝えます。「これらの 999 個のテストは時間の無駄だ。代わりにこの特定の合金をテストしなさい」と。

なぜこれを行うのか？

この論文は、どの材料が機能するかを推測することは非効率であると主張しています。このデジタルツインを構築することで、科学者たちは以下が可能になります。

1. 時間の節約: 最良の材料をはるかに速く見つけることができます。
2. 費用の節約: 失敗する材料の構築とテストを回避できます。
3. 安全性の確保: 敏感な部分から熱をリアルタイムで逸らすことで、機械の破損を防ぎます。

要約すると、彼らは世界初の核融合発電所の盾を設計するのを助ける、超賢い仮想アシスタントを構築しており、それが恒星の熱に耐えられることを保証しようとしています。

技術概要

技術概要：MPEX AI デジタルツイン

問題定義
材料プラズマ曝露実験（MPEX）は、将来の磁場閉じ込め核融合発電プラントの極端なダイバータ条件を再現するように設計された高電力・定常状態の線形プラズマ装置であり、特に 20 MW/m²のエネルギー束、10³¹/m²のイオンフルエンス、最大 10⁶秒のパルス持続時間を目標としています。これらの運用マイルストーンの達成における重要な課題は、アンテナ窓や容器壁を損傷させる可能性のある「ホットスポット」を防止するためにプラズマ束を制御しつつ、激しいプラズマ - 材料相互作用（PMI）下での長期的な生存性を評価する材料を認定することです。限られた数の試験サンプルを考慮すると、材料選定と運用制御のための従来の経験的アプローチは非効率的です。さらに、原子レベルのスパッタリングから装置スケールの不純物輸送までを跨ぐ複雑な物理学は、実験キャンペーンを導き、最適なプラズマ面材料の発見を加速するための統合された予測フレームワークを必要とします。

手法
本論文は、実験データ、高度な物理シミュレーション、人工知能（AI）を統合し、データ処理、運用制御、材料評価のためのクローズドループシステムを構築する包括的な「MPEX AI デジタルツイン」フレームワークを提案しています。手法は 6 つの主要な技術ドメインに構造化されています：

1. データ基盤とキュレーション:

   • アメリカン・サイエンス・クラウド統合: 実験データ（プロト MPEX および将来の MPEX 運転から）と物理シミュレーションデータは、標準スキーマ（IMAS に類似）を用いて整理され、アメリカン・サイエンス・クラウドへ転送されます。
   • データバックボーン: 生画像、メタデータ、AI 出力、ツイン状態をリンクするシステムです。画像とマニフェストはバージョン管理されたオブジェクトストレージに取り込まれ、AI 推論（マスク、特徴量、不確実性）は列形式（HDF5）で保存されます。
   • インターフェース: NOVA-Galaxy フレームワークをカスタマイズし、科学データを分析し、遠隔の高性能計算（HPC）リソース上でワークフローを実行するための Web ベースのインターフェースを提供します。

2. AI 駆動型画像解析:

   • データ駆動型パイプラインが、曝露前および曝露後の高解像度画像を取り込み、較正された不確実性を持つ定量的な形態を出力します。
   • 特徴: システムは、き裂検出（長さ、幅、分岐、フラクタル次元）、表面溶融（ビード幾何学、面積分率）、および再堆積指標に焦点を当てます。
   • トレーニング戦略: このアプローチは、少量のラベル付きシードセットを用いた自己教師あり事前学習を行い、その後、アクティブラーニングによる微調整で不確実性の高い領域をオペレータの判断のためにフラグ付けします。

3. 物理シミュレーションフレームワーク（STRIPE）:

   • 高周波不純物生成および放出の模擬輸送（STRIPE）フレームワークを MPEX 運転のモデル化のためにアップグレードします。これは、プラズマ輸送、高周波加熱、シースモデル、イオン - 材料相互作用、および不純物輸送を結合します。
   • 運動論的プラズマシミュレーション: PICOS++（粒子法）は運動論的エンジンとして機能し、多周波高周波加熱（ヘリコン、ECH、ICH）のモデル化に拡張されます。加速戦略には、GPU 加速、時間分割、および非マクスウェル分布に対する速度空間サンプリング効率の向上のための疑似可逆正規化フロー（PR-NF）の使用が含まれます。
   • ハイブリッドモデリング: 運動論的 - 流体ハイブリッドモデルは、中性粒子とプラズマモーメントを効率的に処理するために、PICOS++ と C1 流体コードを結合します。
   • 乱流モデリング: LLNL は、ギロ運動論コード COGENT および流体コード BOUT++/Hermes-3 を使用した高性能 3 次元乱流シミュレーションに貢献します。機械学習は、潜在空間動力学同定（LaSDI）を介して低次モデル（ROM）を開発するために統合されます。
   • PMI モデリング: 高度なスパッタリングモデル（BCA、MLFF-MD、DFT）および WallDYN コードを統合し、複雑なセラミックスおよび合金に対する侵食、再堆積、および表面組成の進化を予測します。

4. AI ホットスポットコントローラ:

   • リアルタイム検出: AI 画像処理がリアルタイムカメラ映像（最大 18k fps）を解析し、アンテナ窓および壁上のホットスポットを特定します。
   • 制御ロジック: コイル電流および加熱電力とホットスポットの位置/強度とのデータベースでトレーニングされた AI モデルが、最適なコイル電流調整を予測します。目標は、磁気共鳴点に制約されながら、壁加熱を最小化しつつプラズマをターゲットに向けることです。

5. ターゲット材料シミュレーション:

   • 熱力学: 多スケール物理モデルが材料応答を検証します。連続体シミュレーション（ANSYS/COMSOL）およびメッシュフリーペリダイナミクスコード CabanaPD は、熱衝撃下でのき裂発生、伝播、および破砕をシミュレートするために使用されます。
   • 較正: AI によって特定された損傷特徴は、状態変数（応力、ひずみ、温度）にマッピングされ、ベイズ同化ループで使用されて材料パラメータを較正します。

6. MPEX 材料評価 AI デジタルツイン:

   • トレーニングデータ生成: ツインは、キュレーションされた実験データと物理シミュレーションによって生成された合成データの組み合わせでトレーニングされます。合成データは、まだ実験的にテストされていない材料特性および組成を含むようにトレーニングドメインを拡張します。
   • 最適化: トレーニングされた AI デジタルツインは、多次元補間を実行して、PMI 損傷が軽減された最適な材料候補を特定し、これらは物理コードまたは実験的テストを通じて検証されます。

主要な貢献

• 統合シミュレーションフレームワーク: STRIPE フレームワークと AI 加速型運動論ソルバ（PICOS++）、高度なスパッタリングモデル（MLFF-MD）、および乱流コード（COGENT/BOUT++）の統合は、MPEX 向けの予測的多忠実度環境を提供します。
• 運用制御 AI: 長パルス・高電力運転中のハードウェア損傷を防止するために、リアルタイムカメラデータとコイル電流最適化を利用する AI ホットスポットコントローラの提案。
• データ中心の材料発見: 生実験画像を標準化された定量的指標に変換し、それらを用いて高次元材料空間から最適な候補を検索できる AI デジタルツインをトレーニングするワークフロー。
• AI 準備基盤: 実験データ、シミュレーション出力、および AI モデルをアメリカン・サイエンス・クラウドエコシステム内でリンクするために特別に設計されたデータバックボーンおよびインターフェース（NOVA-Galaxy）の開発。

結果と主張
本論文は、MPEX 装置の完全な最終実験結果を提示していません。なぜなら、運用開始は 2026 会計年度末に予定されているからです。代わりに、既存のツールとプロト MPEX データに基づいた提案された技術アーキテクチャと予備的な能力を概説しています：

• プロト MPEX 検証: サロゲートモデルはすでにプロト MPEX データ（14,666 回の放電）に適用されており、AI 開発の初期コホートとして機能しています。
• アルゴリズムの準備: 画像処理パイプラインは、電子線曝露材料のための既存の LDRD 活動に基づいており、MPEX 用に適応されています。
• シミュレーション能力: STRIPE フレームワークは、他の線形装置（PISCES-RF）およびトカマク（WEST、DIII-D）に成功裏に適用されています。提案されたアップグレード（RF モジュールを備えた PICOS++、PR-NF 加速）は、MPEX 固有の条件を処理するために必要な進化として提示されています。
• パイロット研究: 著者は、フル MPEX データへの適用前にモデルのスケーラビリティをテストするために、電子線加熱実験（ORNL LDRD）からのタングステンき裂の低次元データセットから AI デジタルツインの開発を開始することを提案しています。

重要性
本論文は、MPEX AI デジタルツインプロジェクトを MPEX ミッションの重要な推進役として位置づけています。AI と物理シミュレーションを統合することで、このプロジェクトは以下を目指しています：

1. 材料選定の加速: AI を用いて多次元パラメータ空間を補間し、核融合ダイバータ用の最適な材料を特定することで、非効率的な経験的探索を超えて進めること。
2. 運用安全性の確保: 重要なコンポーネント上の壊滅的なホットスポットを防止するためにプラズマ束を能動的に制御することで、MPEX 装置が高電力・長パルス目標を達成できるようにすること。
3. 科学的成果の最大化: 物理的にまだテストされていない材料のための合成データ生成を可能にする「キュレーションされた実験データベース」と検証済みのシミュレーションフレームワークを作成し、回顧的メタ分析を可能にすること。
4. 協力的な進展: 変革的 AI モデルコンソーシアム（TAIMC）およびアメリカン・サイエンス・クラウドを活用して、統一されたデータ標準を確立し、広範な DOE コンプレックス全体でのデータ生成コストを削減すること。

著者は、プロジェクトの究極の成功は、実験的検証、物理シミュレーション、および AI モデルの洗練との間の反復的なフィードバックループに依存しており、最終的には次世代核融合発電プラント材料のための予測能力を提供すると強調しています。