MPEX AI Digital Twins Milestone Report

Dit zesmaandelijkse voortgangsrapport schetst de voorspoedige ontwikkeling van twee fase-I AI-mijlpalen voor het MPEX-project – een Helicon AI-hotspotcontroller en een digitale tweeling voor e-bundelschadebeoordeling – naast de configuratie van de Galaxy-softwareinterface om fysische simulaties te integreren met DOE HPC-resources en de American Science Cloud voor geautomatiseerde data-analyse en AI-gedreven operaties.

De kern

Stel je een enorme, futuristische keuken voor waar wetenschappers proberen het perfecte gerecht te bereiden: kernfusie-energie. De "oven" is een machine genaamd MPEX, en de "ingrediënten" zijn superheet plasma en speciale metalen wanden. Het doel is om te testen of deze metalen wanden de extreme hitte kunnen doorstaan zonder te barsten of te smelten.

Het koken in deze keuken is echter lastig. De hitte verspreidt zich niet gelijkmatig; het creëert "hotspots" die gaten kunnen verbranden in de ovendeur of de kookpot. Als de wanden barsten, lukt het experiment niet.

Dit rapport is een voortgangsupdate van een team wetenschappers (van Oak Ridge en Lawrence Livermore National Laboratories) die een "Digital Twin" bouwen voor deze keuken. Denk aan een Digital Twin als een perfecte, virtuele videospelversie van de echte machine. Ze leren een Artificiële Intelligentie (AI) de rol van de hoofdkok, waarbij ze deze virtuele versie gebruiken om te voorspellen wat er zal gebeuren voordat ze de echte machine aanzetten.

Hieronder volgt een uiteenzetting van hun twee belangrijkste "recepten" voor succes:

1. De "Hotspot"-regelaar (De ovendeur veilig houden)

Het probleem:
In de echte machine komt de hitte voort uit een specifiek type golf (genaamd "helicon"). Soms blijft deze hitte op één plek hangen, net als een vergrootglas dat zonlicht op een blad focust, waardoor een gevaarlijke "hotspot" ontstaat die het glazen raam van de machine kan doen barsten.

De AI-oplossing:
De wetenschappers bouwden een slimme regelaar die fungeert als een verkeersagent voor hitte.

• De oude manier: Wetenschappers raadden vroeger hoe ze de magnetische "wegen" (spoelen) moesten aanpassen om de hitte te verspreiden. Het was alsof je probeerde katten te hoeden door te raden waar ze zouden rennen.
• De nieuwe manier: Ze creëerden een 3D virtueel model van de machine. Ze leerden een AI om naar afbeeldingen van de hitte te kijken (genomen door speciale camera's) en precies uit te zoeken hoe de magnetische wegen moeten worden bijgesteld om de hitte gelijkmatig te verspreiden.
• De analogie: Stel je voor dat je water in een doolhof van pijpen giet. Als je te snel op één plek giet, barst het. De AI is als een slim systeem dat direct de kleppen (magnetische spoelen) aanpast om ervoor te zorgen dat het water overal soepel stroomt, zodat geen enkele pijp barst.

Ze trainen deze AI momenteel met data uit een kleinere testkeuken (genaamd "proto-MPEX"), zodat wanneer de grote machine opengaat, de AI al weet hoe ze de temperatuur perfect moeten houden.

2. De "Schade-detective" (Barsten in het metaal voorspellen)

Het probleem:
De metalen wanden (gemaakt van wolfraam) worden getest om te zien of ze barsten onder extreme hitte. Om dit te testen, gebruiken ze een krachtige elektronenbundel (zoals een supersnelle haardroger) om het metaal te verwarmen. Daarna maken ze microscopische foto's om de barsten te tellen.

• De uitdaging: Er zijn te veel verschillende soorten metaal en te veel hitte-instellingen om ze allemaal fysiek te testen. Het zou eeuwen duren om elke mogelijke combinatie te testen. Bovendien zijn de foto's moeilijk te analyseren omdat de barsten er anders uitzien, afhankelijk van de korrelstructuur van het metaal.

De AI-oplossing:
Het team bouwde een super-slimme afbeeldingsanalyser en een glazen bol.

• De afbeeldingsanalyser: Ze leerden een AI om naar microscopische foto's van het metaal te kijken en automatisch elke enkele barst te vinden, hoe klein of vreemd ze er ook uitziet. Het is alsof je de AI een bril geeft die direct een haarfijne barst in een stuk glas kan opsporen.
• De glazen bol (Voorspelling): Omdat ze niet elk metaal kunnen testen, gebruikten ze een fysicasimulator (een programma dat berekent hoe metaal breekt) om "nep" data te genereren. Ze combineerden de echte foto's met de nep-fysica-data om de AI een patroon te leren.
• De analogie: Stel je voor dat je een paar monsters klei hebt die barstten toen ze gebakken werden. Je wilt weten of een nieuw type klei zal barsten. In plaats van de nieuwe klei te bakken (wat tijd kost), gebruik je de AI om naar de "vorm" van de barsten in de oude klei te kijken en de fysica van hoe klei breekt. De AI voorspelt dan: "Als je deze nieuwe klei op deze temperatuur bakt, zal deze waarschijnlijk hier barsten."

3. De "Keukenmanager" (Galaxy Workflow)

Om dit alles werkend te krijgen, bouwden de wetenschappers een centraal bedieningspaneel genaamd Galaxy.

• De analogie: Denk hieraan als een meester-receptenboek en een keukentimer gecombineerd. Het verbindt de AI, de fysicasimulaties en de data van de echte machine. Het stelt wetenschappers (of zelfs de AI zelf) in staat om complexe experimenten met een paar klikken uit te voeren, waarbij wordt gegarandeerd dat elke stap wordt vastgelegd en reproduceerbaar is. Het is de lijm die de "Digital Twin" bij elkaar houdt.

Wat komt er nu? (De doelstelling voor juni)

Tegen juni 2026 plant het team een werkende versie van dit systeem te tonen:

1. Voor de hotspots: De AI zal succesvol de beste instellingen voorspellen om de hitte gecentreerd en veilig te houden, met gebruikmaking van data van hun kleinere testmachine.
2. Voor de schade: De AI zal succesvol voorspellen waar barsten zullen ontstaan in verschillende metalen, met gebruikmaking van een mix van echte foto's en computersimulaties, bewijzend dat het de uitkomst kan "raden" zonder dat elke afzonderlijke metalen stuk fysiek getest hoeft te worden.

Samenvattend:
De wetenschappers bouwen een virtuele tweeling van hun fusiemachine en leren een AI-kok de hitte te beheren en een virtuele detective om metaalbarsten te voorspellen. Dit stelt hen in staat om experimenten sneller, veiliger en slimmer uit te voeren, waardoor we één stap dichter bij schone, onbeperkte fusie-energie komen.

Technische samenvatting

Technische Samenvatting: MPEX AI Digitale Twins Meestaprapport

Probleemstelling
Het Material Plasma Exposure eXperiment (MPEX) is ontworpen om plasma-facing materialen te kwalificeren voor fusiekrachtcentrales onder extreme warmte- en deeltjesfluxen. Een kritieke operationele uitdaging is de vorming van gelokaliseerde "hot spots" op plasma-facing componenten, met name het helicon-antennefenster, wat kan leiden tot sputteren of structureel falen. Bovendien vereist het beoordelen van materiaalschade (kraken, erosie) uitgebreide experimentele testen, wat beperkt wordt door het eindige aantal monsters en de schaarste aan beschikbare data over verschillende materiaalsamenstellingen en blootstellingsomstandigheden. Het project adresseert de behoefte aan een voordeel van Kunstmatige Intelligentie (AI) om MPEX-bewerkingen in real-time te optimaliseren en de beoordeling van materiaalschade te versnellen door een combinatie van experimentele data, fysische simulaties en generatieve AI.

Methodologie
Het project ontwikkelt twee primaire AI Digitale Twins: één voor het regelen van helicon-verwarmings-hot spots en één voor het beoordelen van door elektronenbundel (E-beam) geïnduceerde materiaalschade.

1. Helicon AI Hot-Spot Controller:

   • Fysische Modellering: Het team is overgestapt van 2D-azimutaal symmetrische modellen naar hoogwaardige 3D-RF-simulaties met behulp van COMSOL om de intrinsieke azimutale asymmetrie van helicon-verwarming vast te leggen. Deze resultaten werden gekoppeld aan de HERMES-3 3D-vloeistofturbulentiecode om plasma-generatie en -transport te simuleren.
   • Flux-buis Mapping: Een gereduceerde orde-raamwerk is ontwikkeld om warmteflux van het helicon-fenster naar downstream-doelen in kaart te brengen door fluxbuizen langs magnetische veldlijnen te traceren, waarbij de identiteit van specifieke fluxbundels wordt behouden in plaats van alleen oppervlakcoördinaten.
   • AI-architectuur: Variational Autoencoders (VAE's) zijn getraind op Proto-MPEX infrarood (IR)-metingen en simulatiedata. Deze generatieve modellen leren een gedeelde latente ruimte om ruisachtige experimentele data te fuseren met multi-fidelity simulaties. Het AI-systeem gebruikt een controle-gerichte lus om hot spots te detecteren, warmteflux-herverdeling te voorspellen onder variërende spoelstromen en bedrijfsparameters aan te bevelen om vensterbelasting te minimaliseren terwijl de doelflux behouden blijft.

2. E-beam Schadebeoordeling Digitale Twin:

   • Geautomatiseerde Karakterisering: Een volledig geautomatiseerde beeldverwerkingspijplijn is ontwikkeld voor Scanning Electron Microscopy (SEM)-afbeeldingen. Deze maakt gebruik van Sato-ribbenversterking, Gaussische smoothing, onscherpe masking en driehoeksdrempelstelling om barstnetwerken robuust te identificeren en te segmenteren over heterogene materialen en resoluties.
   • Feature-encoding & Metrisch Leren: Beeldpatches worden gecodeerd met een vooraf getrainde DINOv2-vision transformer om hoog-dimensionale featurevectoren te creëren. Dimensiereductie via PCA en diffusiekaarten creëert een laag-dimensionale variëteit waar morfologische gelijkenis behouden blijft. Een metrisch leeraanpak brengt de afstand in deze feature-ruimte in overeenstemming met de afstand in de experimentele parameter-ruimte (temperatuur, warmteflux, legering).
   • Voorspelling & Simulatie: Kernel Ridge Regression (KRR) wordt gebruikt om barstdichtheid te voorspellen op basis van het geleerde metriek. Om data-schaarste aan te pakken, is de CabanaPD-peridynamica-code uitgebreid om anisotrope continuümmechanica en langdurige thermische schoksimulaties te modelleren. Deze op fysica gebaseerde simulaties genereren synthetische data om gaten in de experimentele parameter-ruimte op te vullen.
   • Workflow-automatisering: Alle tools (fysische codes, AI-modellen, data-analyse) zijn geïntegreerd in het webgebaseerde Galaxy-platform, wat reproduceerbare workflows en geautomatiseerde data-inname vanuit DOE HPC-bronnen mogelijk maakt.

Belangrijkste Bijdragen

• 3D-RF Modellering: Voor het eerst tonen 3D-COMSOL-simulaties van het MPEX-heliconsysteem aan dat verwarming gelokaliseerd is in het 2D-vlak loodrecht op magnetische veldlijnen als gevolg van randbotsing en multi-mode excitatie, wat in strijd is met eerdere 2D-symmetrische aannames.
• Generatief Controlekader: Ontwikkeling van een op VAE gebaseerde controller die succesvol interpoleert tussen experimentele omstandigheden om IR-warmtefluxkaarten te voorspellen en spoelstromen te optimaliseren voor centrale plasma-verwarming, waardoor azimutale hot spots worden verminderd.
• Robuuste Barstidentificatie: Creatie van een volledig geautomatiseerde, parameter-vrije beeldverwerkingspijplijn die in staat is barstdichtheid te extraheren uit diverse SEM-afbeeldingen, geïmplementeerd via Galaxy.
• Op Fysica Gebaseerde AI-Surrogaat: Integratie van CabanaPD-peridynamica-simulaties met AI-modellen om trainingsdata te genereren voor regimes waar experimentele data schaars is, specifiek gericht op anisotrope mechanisch gedrag in wolfraamlegeringen.
• Metrisch Leren voor Schade: Implementatie van een geleerd metriek in de parameter-ruimte dat in overeenstemming is met morfologische gelijkenis in diffusieruimte, waardoor fysisch betekenisvollere voorspellingen van barstdichtheid mogelijk worden dan ruwe parameter-regressie.

Resultaten

• Hot Spot-Controle: De AI-controller toonde het vermogen om axiale warmte-asymmetrie te minimaliseren door variërende spoelstromen, hoewel azimutale asymmetrie een uitdaging blijft vanwege variaties in plasma-parallelle warmteflux. Het systeem identificeerde succesvol dat centrale plasma-verwarming de kritieke factor is voor het verminderen van azimutale hot spots.
• Schadevoorspelling: Het geautomatiseerde barstidentificatietool bereikte betrouwbare segmentatie over zowel sterk gebarsten als onbeschadigde oppervlakken. Het KRR-model met het geleerde metriek toonde goede voorspellingsnauwkeurigheid waar data bestond, hoewel het systematische onderschatting vertoonde in regimes met lage schade als gevolg van data-schaarste.
• Simulatievalidatie: De uitgebreide CabanaPD-code is gevalideerd tegen experimentele spanning-rekdata voor diverse wolfraamlegeringen, waarbij succesvol anisotrope mechanische responsen werden vastgelegd en barstinitiatie onder E-beam thermische schokomstandigheden werd voorspeld.
• Workflow-integratie: Een subset van fysische simulatiecodes (DREAM, GITR, CabanaPD) en het AI-barstidentificatietool zijn succesvol ingezet op de ORNL Galaxy-instantie, met verbinding naar HPC-bronnen.

Betekenis
Het artikel stelt dat dit werk de basis legt voor een volledig functionerend wetenschapsplatform waar AI-agenten MPEX-bewerkingen autonoom kunnen controleren en materiaalschade kunnen beoordelen. Door hoogwaardige fysische simulaties te verbinden met experimentele data via generatieve AI en metrisch leren, maakt het project een snelle, generatieve zoektocht naar optimale materialen mogelijk met verminderde plasma-materiaalinteractie (PMI)-schade. De integratie van deze capaciteiten in het Galaxy-kader zorgt ervoor dat de MPEX-faciliteit kan opereren met AI-agentische beslissingen om shutdowns tijdens lange pulsen te voorkomen en nieuwe kandidaatmaterialen efficiënt te kwalificeren, verder gaand dan inefficiënte empirische zoektochten. Het rapport positioneert deze fase I-meestappen als een voorbode van fase II, die de controle zal uitbreiden naar de gehele faciliteitverwarming- en koelsystemen en aanvullende plasma-schademodaliteiten zal opnemen.