A proof-of-concept for automated AI-driven stellarator coil optimization with in-the-loop finite-element calculations

Dit artikel introduceert een geautomatiseerd, end-to-end systeem voor de optimalisatie van stellarator-coils dat pre- en post-processing volledig automatiseert, gebruikmaakt van genetische algoritmen of contextbewuste LLM's voor continue optimalisatie, en een innovatieve in-the-loop-berekening van Von Mises-spanningen integreert om de ontwerpproces voor fusiereactoren te versnellen.

De kern

De Sterrenstelsel-ontwerper: Hoe AI de "moeilijkste puzzel" van de kernfusie oplost

Stel je voor dat je een perfecte, draaiende magnetische "bubbel" wilt bouwen om een stukje van de zon op aarde te vangen. Dit is het doel van kernfusie: oneindig schone energie creëren. Maar er is een groot probleem: deze magnetische bubbel, een stellarator genoemd, heeft een vorm die zo gek is dat je hem niet met je handen kunt maken. Je hebt duizenden complexe, gedraaide magneten (spoelen) nodig om de bubbel in vorm te houden.

Het vinden van de perfecte vorm voor deze magneten is als proberen een duizendpoot te tekenen terwijl je blind bent, en elke keer als je een pootje verplaatst, moet je de hele tekening opnieuw controleren. Dit kost normaal gesproken jaren aan werk voor één enkel ontwerp.

Deze paper introduceert een nieuwe, slimme manier om dit te doen: een volledig geautomatiseerde AI-ontwerper. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Runner": De onuitputtelijke ontwerper

Stel je een supersterke robot voor die 24/7 werkt. Dit is de "runner" uit de paper.

• Vroeger: Een menselijke ingenieur moest handmatig beginnen: "Oké, ik zet deze magneet hier, en die daar." Als het misging, moest de mens alles opnieuw doen.
• Nu: De mens zegt alleen: "Hier is de vorm van de magnetische bubbel die we willen." De robot doet de rest. Hij begint met het plaatsen van de magneten, controleert of ze niet in de weg zitten, en begint te optimaliseren. De mens hoeft niet meer te knoeien met de details.

2. Twee manieren om te leren: De "Genetische" en de "Slimme Leraar"

De robot heeft twee manieren om de beste oplossing te vinden, zoals twee verschillende soorten studenten:

• De Genetische Algorithm (De "Trial-and-Error" Student): Deze probeert duizenden willekeurige combinaties. Hij neemt de beste ontwerpen, "mixt" ze met elkaar (zoals bij het fokken van honden) en voegt kleine veranderingen toe. Als een ontwerp faalt, gooit hij het weg. Als het werkt, houdt hij het.
• De Context-aware LLM (De "Slimme Expert"): Dit is een geavanceerde AI (zoals een super-ChatGPT) die alle boeken en papers over stellarators heeft gelezen. Deze AI kijkt naar de resultaten van de vorige pogingen en zegt: "Hé, vorige keer faalde het omdat de magneten te dicht bij elkaar kwamen. Laten we de volgende keer de magneten iets verder uit elkaar zetten en de vorm iets anders buigen." De AI denkt na over waarom iets werkt of niet, in plaats van alleen maar te gokken.

3. De "In-the-Loop" Stress-test: De AI die voelt wat er gebeurt

Dit is het meest revolutionaire deel van de paper.
Stel je voor dat je een brug ontwerpt. Normaal gesproken zou je eerst het ontwerp maken, en pas aan het einde een ingenieur vragen: "Zal deze brug instorten als er een vrachtwagen overheen rijdt?"
In deze nieuwe methode doet de AI dat terwijl hij ontwerpt.

• De AI berekent direct de spanning (zoals de spanning in een elastiekje) in de magneten.
• Als de AI ziet dat een magneet te veel spanning krijgt (alsof hij op het punt staat te breken), past hij het ontwerp direct aan om die spanning te verlagen.
• Dit is alsof de ontwerper tegelijkertijd de brug bouwt én de sterkte test, zonder ooit een stap terug te hoeven doen.

4. De Online Scorebord (Leaderboard)

De paper introduceert een openbaar scorebord op internet.

• Elke keer dat de AI een nieuw ontwerp maakt, wordt het daar geplaatst.
• Iedereen ter wereld kan meedoen: "Kijk, ik heb een betere vorm bedacht!"
• Dit zorgt ervoor dat iedereen precies dezelfde regels volgt en eerlijk kan vergelijken. Het is als een online game voor wetenschappers, maar dan voor het redden van de planeet.

Het Resultaat: Een verrassende overwinning

De AI heeft al een ontwerp gevonden dat beter is dan wat menselijke experts eerder hadden bedacht voor een specifiek type stellarator.

• De magneten zijn korter (goedkoper).
• Ze buigen minder (minder kans op breken).
• Ze staan verder uit elkaar (makkelijker te bouwen).
• En het belangrijkste: de AI heeft dit zonder dat er een mens tussen zat te sturen.

Conclusie

Deze paper laat zien dat we de "moeilijkste puzzel" van de kernfusie-economie (het ontwerpen van de magneten) kunnen overlaten aan AI. Het is alsof we een team van duizenden ingenieurs hebben die niet slapen, niet eten, en die tegelijkertijd bouwen, testen en verbeteren.

Dit is een eerste stap (een "proof-of-concept"), maar het opent de deur naar een toekomst waarin AI niet alleen de magneten ontwerpt, maar misschien ook de hele kernfusiecentrale, zodat we sneller schone energie kunnen krijgen.

Technische samenvatting

Titel: Een proof-of-concept voor geautomatiseerde, AI-gestuurde optimalisatie van stellaratorspoelen met in-the-loop berekeningen van eindige elementen (FEM)

Auteurs: Alan A. Kaptanoglu en Pedro F. Gil
Publicatiedatum: 16 maart 2026 (arXiv)

---

1. Het Probleem

Het ontwerpen van haalbare magnetische spoelen voor stellarator-fusiereactoren is een van de grootste uitdagingen bij het realiseren van toekomstige kernfusie-krachtcentrales.

• Complexiteit: Stellarators hebben een enorm parameterbereik. Het optimaliseren van de spoelen is een slecht gesteld invers probleem: er zijn vele mogelijke spoelconfiguraties die vergelijkbare magnetische velden genereren, maar de meeste zijn onhaalbaar vanuit engineering-oogpunt (bijv. te complexe krommingen, intersecties of onrealistische krachten).
• Handmatige arbeid: Traditioneel vereist het ontwerp van zelfs één reactor-schaal stellarator jaren van handmatig onderzoek, waarbij experts handmatig gewichten moeten afstemmen voor multi-objectieve optimalisatie en initiële condities moeten kiezen.
• Beperkte integratie: Bestaande methoden integreren zelden engineering-beperkingen (zoals mechanische spanningen) direct in de optimalisatielus. Berekeningen van Von Mises-spanningen en structurele integriteit worden meestal achteraf gedaan met gesloten bronsoftware (zoals ANSYS of COMSOL), wat de iteratiesnelheid beperkt.

2. Methodologie

De auteurs hebben een end-to-end geautomatiseerde "runner" ontwikkeld (de code is open source onder stellcoilbench) die de volledige workflow van spoeloptimalisatie automatiseert, inclusief voor- en nabewerking.

A. Geautomatiseerde Workflow Componenten:

• Initialisatie: Een automatische lus initialiseert cirkelvormige spoelen zonder handmatige tuning. Deze garandeert dat spoelen niet onbedoeld met elkaar verstrengelen of de plasmaoppervlak kruisen, en past de totale stroom automatisch aan voor het gewenste magnetische veld.
• Optimalisatiebeleid (Policy): Het systeem gebruikt twee strategieën om de volgende iteraties te kiezen:
  1. Genetisch Algorithm (GA): Een deterministische aanpak met mutatie (log-normale ruis) en exploratie (log-uniforme bemonstering) om de parameterruimte te verkennen.
  2. Context-aware Large Language Model (LLM): Een AI-agent die toegang heeft tot een kennisdatabase met eerdere optimalisatieresultaten, statistieken van mislukkingen en wetenschappelijke literatuur. De LLM besluit welke parameters aangepast moeten worden op basis van trends en "post-mortem" analyses van eerdere runs.
• In-the-loop FEM (Finite Element Method): Een noviteit in dit werk is de integratie van Von Mises-spanningsberekeningen direct in de optimalisatielus. In plaats van gesloten software, gebruiken ze open-source bibliotheken (scikit-fem of DOLFINx) om lineaire elasticiteitsproblemen op een tetraëdrisch mesh van de spoelwindingen op te lossen.
• Nabewerking: Alle post-processing (vormgradiënten, Poincaré-plotten, Boozer-coördinaten, verliesfractionering, en spanningsanalyses) wordt automatisch uitgevoerd en gedocumenteerd.

B. Technische Implementatie:

• De LLM fungeert als een "expert" die de balans tussen exploitatie (verbeteren van goede runs) en exploratie (zoeken naar nieuwe gebieden) regelt.
• Het systeem gebruikt een "Augmented Lagrangian"-methode, waardoor gebruikers geen handmatige gewichten voor de verschillende doelstellingen (zoals spoellengte, kromming, veldfouten) hoeven in te stellen; deze worden automatisch getuned.
• Voor de FEM-berekeningen worden optimalisatietricks toegepast (zoals caching van stijfheidsmatrices en adaptieve mesh-verfijning) om de rekentijd binnen de lus haalbaar te houden.

3. Belangrijkste Bijdragen

1. Volledige Automatisering: De eerste end-to-end runner die initiatie, optimalisatie en uitgebreide post-processing voor stellaratorspoelen volledig automatiseert.
2. In-the-loop Von Mises Spanning: Een proof-of-concept voor het direct minimaliseren van Von Mises-spanningen tijdens de optimalisatie, wat eerder onmogelijk was zonder gesloten commerciële software.
3. AI-gestuurde Ontwerpstrategie: Demonstratie van zowel een genetisch algoritme als een context-aware LLM om autonome, onbeheerde optimalisatieruns te sturen.
4. Open Source Leaderboard: Een online leaderboard waar ontwikkelaars hun eigen spoeloplossingen kunnen indienen (case.yaml) voor eerlijke vergelijkingen onder identieke omstandigheden (zelfde plasma, resolutie, code).

4. Resultaten

De methode werd getest op het Landreman-Paul Quasi-Axisymmetric (QA) stellarator-ontwerp (met een hoofdstraal van 1 meter).

• Spanningsoptimalisatie:
  • Bij het toevoegen van een straf voor volume-gemiddelde Von Mises-spanning (> 0,01 GPa) veranderden de spoelontwerpen drastisch.
  • De maximale verplaatsing van de spoelen werd gereduceerd van ongeveer 16 cm (bij de baseline) naar slechts 1 cm.
  • De Von Mises-spanningen daalden met meer dan een orde van grootte, hoewel de veldnauwkeurigheid licht afnam (nog steeds zeer goed, ~0,2% fout).
• Genetisch Algoritme Prestaties:
  • Het systeem vond een 3-spoel oplossing (per halve veldperiode) die zeer concurrerend is.
  • Deze oplossing vereist ~17% minder totale spoellengte en ~60 km minder supergeleidend materiaal dan een eerdere geoptimaliseerde 3-spoel oplossing uit de literatuur.
  • De maximale kromming werd gehalveerd (van 0,53 m⁻¹ naar 0,28 m⁻¹), wat de engineering haalbaarheid aanzienlijk verbetert.
• LLM Prestaties:
  • De LLM-poliy slaagde erin om gerichte batches voor te stellen en mislukkingen te vermijden, hoewel de database nog volop in ontwikkeling is. Het systeem kan automatisch terugvallen op het genetisch algoritme als de LLM geen geldige voorstellen doet.

5. Betekenis en Toekomstperspectief

• Versnelling van het Ontwerp: Deze tool kan de tijd voor het ontwerpen van stellaratorspoelen van jaren terugbrengen naar dagen of weken door handmatige tussenkomst te elimineren.
• Engineering-Integratie: Door FEM-berekeningen direct in de lus op te nemen, kunnen ontwerpers nu rekening houden met structurele integriteit en thermische belastingen tijdens het ontwerpproces, in plaats van achteraf. Dit opent de deur voor het optimaliseren van andere FEM-afhankelijke aspecten zoals kwench-simulaties en neutronenfluxen.
• Volledige Automatisering: Dit is een eerste stap naar volledig geautomatiseerde "Digital Twins" voor fusiereactoren, waarbij niet alleen de spoelen, maar ook het plasma en andere componenten (zoals de blanket) door AI worden ontworpen.
• Reproduceerbaarheid: De open-source leaderboard en gestandaardiseerde invoerbestanden zorgen voor transparante en eerlijke vergelijkingen tussen verschillende onderzoeksgroepen en algoritmen.

Conclusie:
Het paper toont aan dat AI-gestuurde, geautomatiseerde workflows met geïntegreerde engineering-berekeningen (FEM) haalbaar zijn en al leiden tot superieure, technisch haalbare stellaratorontwerpen. Het markeert een verschuiving van handmatige, gespecialiseerde ontwerpprocessen naar autonome, datagedreven ontwerpcycli.