MPEX AI Digital Twins

Het MPEX AI Digital Twins-project heeft tot doel de wetenschappelijke output van het MPEX-apparaat te maximaliseren door AI-modellen te trainen op experimentele en fysische simulatiegegevens om een digitale tweeling te creëren voor materiaalevaluatie, operationele besturing en PMI-simulatie.

De kern

Stel je voor dat je probeert het ultieme, onvernietigbare schild te bouwen voor een ster die gevangen zit in een machine. Deze machine heet MPEX (Material Plasma Exposure eXperiment) en zijn taak is om speciale materialen te beschieten met superheete, supersnelle deeltjes om te zien of ze de omstandigheden in een toekomstige kernfusiecentrale kunnen doorstaan.

Het probleem is dat deze "ster" onvoorspelbaar is. Het kan plotseling een laserachtige straal van hitte afvuren op de verkeerde plek, waardoor de ramen van de machine barsten of de testmaterialen smelten. Het handmatig testen van elke mogelijke stof zou eeuwig duren en een fortuin kosten.

Dit artikel stelt een oplossing voor: De MPEX AI Digitale Tweeling. Denk hierbij aan een "videospelletjes"-versie van de echte MPEX-machine, maar dan zo slim dat het kan leren van het origineel en de toekomst kan voorspellen. Hier is hoe het team van plan is om dit te bouwen, opgesplitst in simpele stappen:

1. Het "Fotoalbum" en het "Slimme Oog"

Eerst moet het team de data ordenen. MPEX zal duizenden foto's met hoge snelheid maken van de materialen voor en nadat ze worden beschoten.

• De Analogie: Stel je een detective voor die een misdaad probeert op te lossen door miljoenen wazige foto's te bekijken. Het team bouwt een "Slim Oog" (AI) dat direct in deze foto's kan inzoomen om de kleinste barstjes, gesmolten plekken of ruwe vlekken te vinden.
• Het Doel: In plaats van dat een mens dagenlang naar schermen staart, meet de AI automatisch precies hoeveel schade er is ontstaan, waardoor er voor elke test een gestandaardiseerd "schaderapport" wordt gemaakt.

2. Het "Virtuele Fysica Laboratorium"

Echte experimenten zijn duur en traag. Daarom bouwt het team een complexe computersimulatie genaamd STRIPE.

• De Analogie: Als de echte MPEX een windtunnel is waar je een echt vliegtuigvleugel test, dan is STRIPE een supergeavanceerde vluchtsimulator. Het raadt niet zomaar; het gebruikt echte natuurkundige vergelijkingen om te berekenen hoe de wind (plasma) op de vleugel (materiaal) inslaat, hoe het metaal opwarmt en hoe het zou kunnen afbrokkelen.
• De Upgrade: Ze gebruiken AI om deze simulator sneller te laten draaien. Normaal duurt het eeuwig om elk enkel deeltje te simuleren. De AI fungeert als een "snelkiesknop", leert de patronen en kan zo de resultaten in seconden voorspellen in plaats van in weken.

3. De "Verkeersregelaar" (De Hotspot-controller)

Een van de grootste gevaren is een "hotspot" – een klein gebied waar de hitte te intens wordt en de ramen van de machine zou kunnen doen barsten.

• De Analogie: Stel je voor dat je een auto rijdt met een dode hoek. Je hebt een copiloot nodig die het gevaar ziet voordat je erop rijdt. De AI Hotspot-controller is die copiloot. Het bewaakt de camerabeelden in real-time en de instellingen van de machine.
• Hoe het werkt: Als de AI een gevaarlijke hitteplek ziet ontstaan, suggereert het direct een nieuwe instelling voor de magneten van de machine (alsof je het stuurwiel iets draait) om de hitte weg te sturen van de ramen en terug op het doelwitmateriaal. Het leert door trial-and-error, maar veel sneller dan een mens zou kunnen.

4. De "Materiaal-orakel" (De Digitale Tweeling)

Dit is het grandioze slotstuk. Het team wil de echte foto's (van het "Slimme Oog") en de computersimulaties (van het "Virtuele Lab") combineren om een meester-AI-model te trainen.

• De Analogie: Stel je een meesterkok voor die elk gerecht ter wereld heeft geproefd en ook de chemie van elk ingrediënt kent. Als je vraagt: "Wat gebeurt er als ik dit nieuwe kruid meng met dat nieuwe vlees?", dan hoeft de kok het niet te koken om het antwoord te weten.
• Het Doel: Deze "Materiaal-orakel" zal in staat zijn om naar een gloednieuw, nog nooit getest materiaal te kijken en precies te voorspellen hoe het bestand zal zijn tegen het plasma. Het kan duizenden virtuele materialen "dromen", ze testen in de simulatie en de wetenschappers vertellen: "Verspil geen tijd aan het testen van deze 999; ga in plaats daarvan dit ene specifieke legering testen."

Waarom dit doen?

Het artikel betoogt dat gokken welke materialen zullen werken inefficiënt is. Door deze Digitale Tweeling te bouwen, kunnen de wetenschappers:

1. Tijd besparen: De beste materialen veel sneller vinden.
2. Geld besparen: Het bouwen en testen van materialen die zullen falen, voorkomen.
3. Veilig blijven: Voorkomen dat de machine kapotgaat door in real-time hitte weg te sturen van gevoelige onderdelen.

Kortom, ze bouwen een superslimme, virtuele assistent die hen helpt de schilden te ontwerpen voor 's werelds eerste kernfusiecentrales, zodat ze de hitte van een ster kunnen doorstaan.

Technische samenvatting

Technische Samenvatting: MPEX AI Digitale Twins

Probleemstelling
Het Material Plasma Exposure eXperiment (MPEX) is een apparaat voor lineair plasma met hoog vermogen en stationaire werking, ontworpen om de extreme divertoromstandigheden van toekomstige magnetisch ingesloten kernfusiekrachtcentrales na te bootsen, met name gericht op energiestromen van 20 MW/m², ionenfluenzen van 10³¹/m² en pulsduur tot 10⁶ seconden. Een kritieke uitdaging bij het behalen van deze operationele mijlpalen is de controle van de plasmaflux om "hot spots" te voorkomen die antennevensters en vesselwanden kunnen beschadigen, terwijl tegelijkertijd materialen worden gekwalificeerd voor langetermijnoverleving onder intense plasma-materie-interactie (PMI). Traditionele empirische methoden voor materiaalselectie en operationele controle zijn inefficiënt gezien het beperkte aantal voor tests beschikbare monsters. Bovendien vereist de complexe fysica, die reikt van atomaire sputtering tot verontreinigingstransport op apparaatschaal, een geünificeerd, voorspellend kader om experimentele campagnes te sturen en de ontdekking van optimale plasma-facing materialen te versnellen.

Methodologie
Het artikel stelt een uitgebreid "MPEX AI Digitale Twins"-kader voor dat experimentele data, geavanceerde fysicasimulaties en kunstmatige intelligentie (AI) integreert om een gesloten-lusysteem te creëren voor dataverwerking, operationele controle en materiaalevaluatie. De methodologie is gestructureerd over zes primaire technische domeinen:

1. Data-infrastructuur en curatie:

   • Integratie met American Science Cloud: Experimentele data (van proto-MPEX en toekomstige MPEX-runs) en data van fysicasimulaties worden georganiseerd met behulp van standaardschema's (vergelijkbaar met IMAS) en overgebracht naar de American Science Cloud.
   • Data-ruggengraat: Een systeem koppelt ruwe afbeeldingen, metadata, AI-outputs en twin-statussen. Afbeeldingen en manifesten worden ingevoerd in versiebeheerde objectopslag, terwijl AI-inferenties (masks, kenmerken, onzekerheden) worden opgeslagen in kolommatige formaten (HDF5).
   • Interface: Het NOVA-Galaxy-kader wordt aangepast om een webgebaseerde interface te bieden voor het analyseren van wetenschappelijke data en het uitvoeren van workflows op externe High-Performance Computing (HPC)-resources.

2. AI-gedreven beeldanalyse:

   • Een datagedreven pijplijn voert pre- en post-expositie hoge-resolutie afbeeldingen in om kwantitatieve morfologieën te produceren met gekalibreerde onzekerheden.
   • Kenmerken: Het systeem richt zich op scheurdetectie (lengte, breedte, vertakking, fractale dimensie), smelten van het oppervlak (parelgeometrie, oppervlaktefractie) en metrics voor herafzetting.
   • Trainingsstrategie: De aanpak maakt gebruik van zelftoezicht voorpretraining op een klein gelabeld zaadset, gevolgd door fine-tuning met actief leren om gebieden met hoge onzekerheid te markeren voor beoordeling door de operator.

3. Fysicasimulatiekader (STRIPE):

   • Het Simulated Transport of RF Impurity Production and Emission (STRIPE)-kader wordt opgewaardeerd om MPEX-operaties te modelleren. Het koppelt plasmavervoer, RF-verwarming, schilmodellering, ion-materie-interacties en verontreinigingstransport.
   • Kinetische plasmasimulatie: PICOS++ (Particle-In-Cell) dient als de kinetische motor, uitgebreid om multi-frequentie RF-verwarming (Helicon, ECH, ICH) te modelleren. Versnellingsstrategieën omvatten GPU-versnelling, tijdsplitsing en het gebruik van Pseudo-Reversible Normalizing Flows (PR-NF) om de efficiëntie van de snelheidsruimtestraling te verbeteren voor niet-Maxwelliaanse verdelingen.
   • Hybride modellering: Een kinetisch-vloeistof hybride model koppelt PICOS++ met de C1-vloeistofcode om neutrale deeltjes en plasmamomenten efficiënt te behandelen.
   • Turulentiemodellering: LLNL draagt bij met hoogpresterende 3D-turbulentiesimulaties met behulp van de gyrokinetische code COGENT en de vloeistofcode BOUT++/Hermes-3. Machine Learning is geïntegreerd om Reduced-Order Models (ROM's) te ontwikkelen via Latent Space Dynamics Identification (LaSDI).
   • PMI-modellering: Geavanceerde sputteringsmodellen (BCA, MLFF-MD, DFT) en de WallDYN-code zijn geïntegreerd om erosie, herafzetting en evolutie van de oppervlaksamenstelling te voorspellen voor complexe keramieken en legeringen.

4. AI Hot Spot Controller:

   • Realtime detectie: AI-beeldverwerking analyseert realtime cameravoeding (tot 18k fps) om hot spots op antennevensters en wanden te identificeren.
   • Controlelogica: Een AI-model, getraind op een database van spoelstromen en verwarmingsvermogens versus hot spot-locaties/intensiteit, voorspelt optimale aanpassingen van de spoelstroom. Het doel is om plasma naar het doel te leiden terwijl wandverwarming wordt geminimaliseerd, beperkt door magnetische resonantiepunten.

5. Doelmateriaalsimulatie:

   • Thermomechanica: Multi-schaal fysicamodellen valideren materiaalresponsen. Continuumsimulaties (ANSYS/COMSOL) en de meshfree peridynamica-code CabanaPD worden gebruikt om scheurinitiatie, -voortplanting en -fragmentatie onder thermische schok te simuleren.
   • Kalibratie: Door AI geïdentificeerde schadekenmerken worden gekoppeld aan toestandsvariabelen (spanning, rek, temperatuur) en gebruikt in een Bayesiaanse assimilatielus om materiaalparameters te kalibreren.

6. MPEX Materiaalevaluatie AI Digitale Twin:

   • Generatie van trainingsdata: De twin wordt getraind op een combinatie van gecureerde experimentele data en synthetische data gegenereerd door fysicasimulaties. Synthetische data breidt het trainingsdomein uit om materiaaleigenschappen en samenstellingen op te nemen die nog niet experimenteel zijn getest.
   • Optimalisatie: De getrainde AI Digitale Twin voert multi-dimensionale interpolatie uit om optimale materiaalkandidaten met verminderde PMI-schade te identificeren, die vervolgens worden gevalideerd via fysicacodes of experimentele tests.

Belangrijkste bijdragen

• Geünificeerd simulatiekader: De integratie van het STRIPE-kader met AI-versnelde kinetische oplosmiddelen (PICOS++), geavanceerde sputteringsmodellen (MLFF-MD) en turbulentiecodes (COGENT/BOUT++) biedt een voorspellende, multi-trouwheidsomgeving voor MPEX.
• Operationele controle AI: Het voorstellen van een AI Hot Spot Controller die realtime cameradata en spoelstroomoptimalisatie gebruikt om hardwarebeschadiging te voorkomen tijdens langdurige, hoogvermogen-operaties.
• Data-gedreven materiaaldetectie: Een workflow die ruwe experimentele afbeeldingen omzet in gestandaardiseerde, kwantitatieve metrics en deze gebruikt om een AI Digitale Twin te trainen die in staat is om in hoge-dimensionale materiaalruimten te zoeken naar optimale kandidaten.
• Infrastructuur voor AI-bereidheid: De ontwikkeling van een data-ruggengraat en interface (NOVA-Galaxy) die specifiek is ontworpen om experimentele data, simulatieoutputs en AI-modellen te koppelen binnen het ecosysteem van de American Science Cloud.

Resultaten en claims
Het artikel presenteert geen definitieve experimentele resultaten van het volledige MPEX-apparaat, aangezien de ingebruikname gepland staat voor het einde van het fiscale jaar 2026. In plaats daarvan schetst het het voorgestelde technische architectuur en de voorlopige capaciteiten op basis van bestaande tools en proto-MPEX-data:

• Proto-MPEX-validatie: Surrogaatmodellen zijn reeds toegepast op proto-MPEX-data (14.666 ontladingen), dienend als de initiële cohort voor AI-ontwikkeling.
• Algoritmische bereidheid: De beeldverwerkingspijplijn is gebaseerd op een bestaande LDRD-inspanning voor door elektronenbundel blootgestelde materialen, aangepast voor MPEX.
• Simulatiecapaciteiten: Het STRIPE-kader is met succes toegepast op andere lineaire apparaten (PISCES-RF) en tokamaks (WEST, DIII-D). De voorgestelde upgrades (PICOS++ met RF-modules, PR-NF-versnelling) worden gepresenteerd als noodzakelijke evoluties om MPEX-specifieke omstandigheden aan te kunnen.
• Pilotstudie: De auteurs stellen voor om de ontwikkeling van de AI Digitale Twin te starten met een lager-dimensionale dataset van wolfraamscheuren uit een elektronenbundelverwarmingsexperiment (ORNL LDRD) om de schaalbaarheid van het model te testen voordat deze wordt toegepast op volledige MPEX-data.

Betekenis
Het artikel positioneert het MPEX AI Digitale Twins-project als een kritieke katalysator voor de MPEX-missie. Door AI te integreren met fysicasimulaties, streeft het project naar:

1. Versnelling van materiaalselectie: Voorbijgaan aan inefficiënte empirische zoektochten door AI te gebruiken om multi-dimensionale parameter ruimtes te interpoleren en optimale materialen voor fusie-divertors te identificeren.
2. Zorgen voor operationele veiligheid: Het MPEX-apparaat in staat stellen zijn doelen voor hoog vermogen en lange puls te bereiken door actief de plasmaflux te controleren om catastrofale hot spots op kritieke componenten te voorkomen.
3. Maximaliseren van wetenschappelijke output: Een "gecurateerde experimentele database" en een gevalideerd simulatiekader creëren dat retrospektieve meta-analyse mogelijk maakt en de generatie van synthetische data voor materialen die nog niet fysiek zijn getest.
4. Collaboratieve vooruitgang: Het benutten van het Transformational AI Models Consortium (TAIMC) en de American Science Cloud om geünificeerde datastandaarden te vestigen en de kosten van datageneratie voor het bredere DOE-complex te verlagen.

De auteurs benadrukken dat het uiteindelijke succes van het project afhankelijk is van de iteratieve feedbacklus tussen experimentele validatie, fysicasimulatie en AI-modelverfijning, wat uiteindelijk een voorspellend vermogen biedt voor materialen van kernfusiekrachtcentrales van de volgende generatie.