MPEX AI Digital Twins Milestone Report

本 6 ヶ月間の進捗報告書は、MPEX プロジェクトのフェーズ 1 における 2 つの AI マイルストーンであるヘリコン AI ホットスポットコントローラと電子線損傷評価デジタルツインの順調な開発を概説するとともに、物理シミュレーションを DOE HPC リソースおよびアメリカン・サイエンス・クラウドと統合し、自動化されたデータ分析と AI 駆動型運用を実現するための Galaxy ソフトウェアインターフェースの構成についても記述しています。

要約

巨大で未来的なキッチンが想像できます。そこで科学者たちは完璧な料理、すなわち「核融合エネルギー」を作ろうとしています。「オーブン」は MPEX と呼ばれる機械であり、「材料」は超高温のプラズマと特殊な金属壁です。目的は、これらの金属壁が極度の熱に耐え、ひび割れたり溶けたりしないかどうかをテストすることです。

しかし、このキッチンでの調理は厄介です。熱は均等に広がりません。「ホットスポット」と呼ばれる局所的な高温域を作り出し、オーブンの扉や鍋に穴を開けてしまう可能性があります。壁にひび割れが生じれば、実験は失敗します。

この報告書は、オークリッジ国立研究所とローレンス・リバモア国立研究所の科学者チームによる、このキッチン用の「デジタルツイン」構築の進捗報告です。デジタルツインとは、実機の完璧なバーチャルなビデオゲーム版と考えることができます。彼らは、実機を起動する前に何が起きるかを予測するために、このバーチャル版を用いて人工知能（AI）を「シェフの長」として教育しています。

以下に、成功のための 2 つの主要な「レシピ」を解説します。

1. 「ホットスポット」コントローラー（オーブンの扉を安全に保つ）

問題点：
実機では、熱は「ヘリコン」と呼ばれる特定の種類の波から発生します。時折、この熱が一点に集中してしまいます。これは、虫眼鏡が日光を葉に集中させるようなもので、機械のガラス窓にひび割れを引き起こす恐れのある危険な「ホットスポット」を生み出します。

AI の解決策：
科学者たちは、熱の「交通整理員」として機能するスマートなコントローラーを構築しました。

• 従来の方法： 科学者たちは、熱を広げるために磁気的な「道路」（コイル）をどのように調整するかを推測していました。それは、猫がどこへ走るか推測しながら猫をまとめるようなものでした。
• 新しい方法： 彼らは機械の 3 次元バーチャルモデルを作成しました。そして、AI に熱の画像（特殊なカメラで撮影されたもの）を見て、熱を均等に広げるために磁気的な道路をどのように微調整すべきかを正確に判断させるように教育しました。
• 比喩： あなたが迷路状のパイプに水を注ぐと想像してください。ある一点に速く注ぎすぎると、パイプが破裂します。AI は、すべてのパイプがスムーズに流れるように、バルブ（磁気コイル）を即座に調整するスマートなシステムのようなものです。これにより、単一のパイプが破裂するのを防ぎます。

彼らは現在、この AI を「プロト-MPEX」と呼ばれるより小さな実験キッチンからのデータを用いて訓練しています。これにより、大型の機械が稼働する頃には、AI はすでに温度を完璧に保つ方法を知っていることになります。

2. 「損傷探偵」（金属のひび割れを予測する）

問題点：
金属壁（タングステン製）が極度の熱の下でひび割れるかどうかをテストしています。これをテストするために、強力な電子ビーム（超高速のドライヤーのようなもの）を使用して金属を加熱します。その後、顕微鏡写真でひび割れを数えます。

• 課題： 物理的にすべてをテストするには、金属の種類が多すぎ、熱の設定も多すぎます。すべての組み合わせをテストするには永遠にかかってしまいます。また、ひび割れは金属の結晶構造によって異なる見た目をするため、写真の分析も困難です。

AI の解決策：
チームは、「超スマートな画像解析器」と「水晶玉」を構築しました。

• 画像解析器： 彼らは AI に金属の顕微鏡写真を見て、どんなに小さく、どんなに奇妙な見た目であっても、すべてのひび割れを自動的に見つけるように教育しました。これは、AI にガラスの微細な亀裂を瞬時に見つけることができる眼鏡を渡すようなものです。
• 水晶玉（予測）： すべての金属をテストできないため、彼らは金属の破壊の仕方を計算するプログラムである「物理シミュレーター」を用いて「架空の」データを生成しました。そして、実際の写真と架空の物理データを組み合わせて、AI にパターンを学習させました。
• 比喩： 焼いたときにひび割れた粘土のサンプルがいくつかあると想像してください。新しい種類の粘土がひび割れるかどうかを知りたいとします。新しい粘土を焼く（時間がかかる）代わりに、AI に古い粘土のひび割れの「形状」と粘土が割れる物理法則を見せます。すると AI は、「この新しい粘土をこの温度で焼けば、おそらくここでひび割れるだろう」と予測します。

3. 「キッチンマネージャー」（Galaxy ワークフロー）

これらすべてを機能させるために、科学者たちは「Galaxy」と呼ばれる中央制御パネルを構築しました。

• 比喩： これは、マスターレシピ帳とキッチンタイマーを組み合わせたようなものです。AI、物理シミュレーター、実機のデータを接続します。これにより、科学者（あるいは AI 自身）が数回のクリックで複雑な実験を実行できるようになり、すべての手順が記録され、再現可能であることが保証されます。これは「デジタルツイン」を結びつける接着剤です。

次は？（6 月の目標）

2026 年 6 月までに、チームはこのシステムの稼働版を発表する予定です。

1. ホットスポットについて： AI は、より小さな実験機のデータを用いて、熱を中央に保ち安全にするための最適な設定を成功裡に予測します。
2. 損傷について： AI は、実際の写真とコンピュータシミュレーションを組み合わせることで、異なる金属でひび割れが発生する場所を成功裡に予測します。これにより、すべての金属片を物理的にテストすることなく、結果を「推測」できることが証明されます。

まとめ：
科学者たちは、融合炉の「バーチャルツイン」を構築し、熱を管理する「AI シェフ」と金属のひび割れを予測する「バーチャル探偵」を教育しています。これにより、実験をより迅速に、安全に、そして賢く実行できるようになり、クリーンで無限の融合エネルギーに一歩近づきます。

技術概要

技術概要：MPEX AI デジタルツインのマイルストーン報告

問題定義
材料プラズマ曝露実験（MPEX）は、極端な熱および粒子束条件下で核融合発電所向けのプラズマ面材料の適合性を評価するために設計されている。重要な運用上の課題は、特にヘリコンアンテナ窓において、プラズマ面部品に局所的な「ホットスポット」が形成されることであり、これはスパッタリングや構造的破損につながる可能性がある。さらに、材料の損傷（亀裂、侵食）を評価するには、広範な実験的テストが必要であり、これはサンプル数の限界や、異なる材料組成および曝露条件における利用可能なデータの希少性によって制約されている。本プロジェクトは、実験データ、物理シミュレーション、生成 AI を組み合わせることで、MPEX の運用をリアルタイムで最適化し、材料損傷の評価を加速するための人工知能（AI）の優位性という必要性に対応するものである。

手法
本プロジェクトは、ヘリコン加熱のホットスポット制御用と、電子ビーム（E ビーム）誘起材料損傷の評価用の 2 つの主要な AI デジタルツインを開発する。

1. ヘリコン AI ホットスポットコントローラー：

   • 物理モデリング： チームは、ヘリコン加熱の固有の方位非対称性を捉えるために、2 次元方位対称モデルから、COMSOL を使用した高忠実度 3 次元 RF シミュレーションへ移行した。これらの結果は、プラズマ生成および輸送をシミュレートする HERMES-3 3 次元流体乱流コードと結合された。
   • フラックスチューブマッピング： 磁場線に沿ってフラックスチューブを追跡し、単なる表面座標ではなく特定のフラックス束のアイデンティティを保持するよう、ヘリコン窓から下流のターゲットへの熱束をマッピングする低次化フレームワークが開発された。
   • AI アーキテクチャ： 変分オートエンコーダー（VAE）は、Proto-MPEX の赤外線（IR）測定値とシミュレーションデータを用いて訓練された。これらの生成モデルは、ノイズの多い実験データとマルチフィデリティシミュレーションを融合させるために、共有された潜在空間を学習する。AI システムは、ホットスポットを検出し、コイル電流の変化に伴う熱束の再分布を予測し、ターゲットフラックスを維持しながら窓への負荷を最小化するための運転パラメータを推奨する、制御指向のループを使用する。

2. E ビーム損傷評価デジタルツイン：

   • 自動特性評価： 走査型電子顕微鏡（SEM）画像用の完全自動化された画像処理パイプラインが開発された。これは、サトウのリッジ強調、ガウス平滑化、アンシャープマスク、三角形閾値処理を活用して、不均質な材料および解像度全体にわたって亀裂ネットワークを頑健に識別し、セグメント化する。
   • 特徴符号化とメトリック学習： 画像パッチは、事前学習された DINOv2 ビジョントランスフォーマーを用いて符号化され、高次元の特徴ベクトルが作成される。PCA および拡散マップによる次元削減により、形態的類似性が保持される低次元多様体が作成される。メトリック学習のアプローチは、この特徴空間内の距離を実験パラメータ空間（温度、熱束、合金）内の距離と整合させる。
   • 予測とシミュレーション： カーネルリッジ回帰（KRR）は、学習されたメトリックに基づいて亀裂密度を予測するために使用される。データの希少性に対処するため、CabanaPD ペリダイナミクスコードは、異方性連続体力学および長期的な熱衝撃シミュレーションをモデル化するように拡張された。これらの物理ベースのシミュレーションは、実験パラメータ空間のギャップを埋めるために合成データを生成する。
   • ワークフロー自動化： すべてのツール（物理コード、AI モデル、データ分析）は、再現可能なワークフローを可能にし、DOE HPC リソースからの自動データ取り込みを可能にする Galaxy ウェブベースプラットフォームに統合されている。

主要な貢献

• 3 次元 RF モデリング： MPEX ヘリコンシステムの 3 次元 COMSOL シミュレーションは、エッジ衝突性と多モード励起により、加熱が磁場線に垂直な 2 次元平面内で局所化されることを明らかにし、以前の 2 次元対称仮説と矛盾した。
• 生成制御フレームワーク： 実験条件間で補間して IR 熱束マップを予測し、中心プラズマ加熱のためにコイル電流を最適化することで方位非対称なホットスポットを低減する、VAE ベースのコントローラーの開発。
• 頑健な亀裂識別： 多様な SEM 画像から亀裂密度を抽出できる、完全自動化されたパラメータフリーの画像処理パイプラインの作成。Galaxy 経由で展開された。
• 物理情報 AI サロゲート： 実験データが希薄な領域の訓練データを生成するために、CabanaPD ペリダイナミクスシミュレーションを AI モデルと統合。特にタングステン合金における異方性機械的挙動に対処した。
• 損傷のためのメトリック学習： 拡散空間における形態的類似性と整合するパラメータ空間における学習済みメトリックの実装。これにより、生のパラメータ回帰よりも物理的に意味のある亀裂密度の予測が可能になった。

結果

• ホットスポット制御： AI コントローラーは、コイル電流を変化させることで軸方向の熱非対称性を最小化できることを示したが、プラズマ平行熱束の変動により方位非対称性は依然として課題となっている。システムは、方位非対称なホットスポットを低減するための決定的な要因が中心プラズマ加熱であることを特定することに成功した。
• 損傷予測： 自動化された亀裂識別ツールは、亀裂が極めて多い表面と損傷のない表面の両方で信頼性の高いセグメンテーションを達成した。学習済みメトリックを使用した KRR モデルは、データが存在する領域では良好な予測精度を示したが、データの希少性により低損傷領域では体系的に過小評価する傾向を示した。
• シミュレーション検証： 拡張された CabanaPD コードは、さまざまなタングステン合金の実験的応力 - ひずみデータに対して検証され、異方性機械的応答を正常に捉え、E ビーム熱衝撃条件下での亀裂発生を予測することに成功した。
• ワークフロー統合： 物理シミュレーションコードの一部（DREAM、GITR、CabanaPD）および AI 亀裂識別ツールが、HPC リソースに接続して ORNL Galaxy インスタンス上で正常に展開された。

重要性
本論文は、この作業が AI エージェントが MPEX の運用を自律的に制御し、材料損傷を評価できる、完全に機能する科学プラットフォームの基盤を確立したと主張している。生成 AI とメトリック学習を通じて高忠実度物理シミュレーションと実験データを架橋することで、本プロジェクトは、プラズマ - 材料相互作用（PMI）損傷を低減した最適な材料の迅速な生成探索を可能にする。これらの機能を Galaxy フレームワークに統合することで、MPEX 施設は、長パルス中のシャットダウンを回避し、新しい候補材料を効率的に適合評価するために、AI エージェント的決定で運用できるようになり、非効率な経験的探索を超えて進化する。本報告書は、これらのフェーズ I のマイルストーンを、施設全体の加熱・冷却システムへの制御の拡大と、追加のプラズマ損傷モダリティの組み込みを行うフェーズ II の前駆体として位置づけている。