Data-Driven Optimisation of Superconducting Magnets at CEA Paris-Saclay

Este artigo apresenta uma nova plataforma de otimização baseada em inteligência artificial e gestão de dados desenvolvida no CEA Paris-Saclay, destacando suas aplicações na otimização multipísica, otimização topológica, modelagem de fontes de íons e detecção de anomalias em ímãs supercondutores para aceleradores de partículas.

O essencial

Imagine que você é um arquiteto encarregado de construir a casa mais complexa do mundo. Não é uma casa comum; é uma "casa de gelo" feita de materiais mágicos que só funcionam quando estão congelados perto do zero absoluto. Além disso, essa casa precisa gerar campos magnéticos tão fortes que poderiam levantar um trem inteiro, mas sem quebrar os próprios alicerces.

Essa é a tarefa de projetar ímãs supercondutores para aceleradores de partículas, como os usados no CERN ou em futuros laboratórios. O problema? É um quebra-cabeça gigantesco. Você precisa equilibrar eletricidade, mecânica, calor, materiais e segurança, tudo ao mesmo tempo. Se errar um detalhe, o ímã pode "quebrar" (um evento chamado quench), liberando uma energia explosiva.

Foi para resolver esse caos que o CEA Paris-Saclay (um centro de pesquisa francês) criou uma nova ferramenta chamada alesia. Pense no alesia não como um simples programa de computador, mas como um "Gerente de Obra Inteligente" ou um "Cozinheiro de Receitas" que usa Inteligência Artificial (IA) para fazer o trabalho pesado.

Aqui está como eles estão usando essa IA, explicado de forma simples:

1. O "Cozinheiro" que organiza a despensa (Gestão de Dados)

Antes, os engenheiros tinham receitas (dados) espalhadas em cadernos, planilhas e computadores diferentes. Se alguém precisava de uma propriedade de um material, levava horas para achar.

• A Solução: O alesia é como uma despensa digital organizada. Ele guarda tudo: desde o tipo de fio usado até como ele se comporta quando esquenta. Se você mudar uma receita (o design do ímã), o sistema sabe exatamente quais ingredientes (dados) usar e garante que ninguém use farinha vencida (dados errados).

2. O "Simulador de Sonhos" (Otimização Rápida)

Projetar esses ímãs exige rodar simulações complexas que podem levar dias em supercomputadores. É como tentar encontrar a melhor combinação de ingredientes para um bolo testando uma por uma, o que levaria uma vida inteira.

• A Solução: O alesia usa aprendizado de máquina para criar "modelos de substituição" (surrogate models). Imagine que, em vez de assar 1.000 bolos reais para ver qual fica melhor, a IA aprende com 100 bolos e consegue adivinhar o resultado dos outros 900 instantaneamente. Isso permite testar milhares de designs em minutos, encontrando a combinação perfeita de forma muito mais rápida.

3. O "Arquiteto que Desenha Sozinho" (Otimização de Topologia)

Às vezes, a forma do ímã precisa ser estranha para aguentar a pressão magnética.

• A Solução: A IA usa uma técnica chamada otimização de topologia. É como se você tivesse um bloco de argila e pedisse à IA: "Molda isso para ser o mais leve possível, mas que aguente 100 toneladas de pressão". A IA remove o material desnecessário (como um escultor) e deixa apenas o essencial, criando formas que um humano talvez nunca imaginaria, mas que são matematicamente perfeitas.

4. O "Detetive de Falhas" (Detecção de Anomalias)

O maior medo é o quench: quando o ímã perde suas propriedades supercondutoras e superaquece. É como um motor que começa a fundir.

• A Solução: O alesia atua como um detetive de saúde. Ele monitora a "pressão arterial" e a "temperatura" do ímã em tempo real. Com base em dados passados, ele consegue gritar "Alerta!" antes mesmo do problema acontecer, permitindo que o sistema se proteja. Ele aprende a distinguir entre um "estranhamento" normal e um "ataque cardíaco" iminente.

5. Projetos Especiais: Do Acelerador à Máquina de Ressonância

Essa tecnologia não serve apenas para aceleradores de partículas. Eles estão usando o alesia para:

• Criar ímãs para ressonância magnética (MRI): Para fazer exames de corpo inteiro mais potentes e claros.
• Fontes de Íons: Pequenos "motores" que geram feixes de partículas para pesquisas médicas e industriais.
• Ímãs de Alta Temperatura: Usando materiais novos (HTS) que funcionam em temperaturas "mais quentes" (ainda geladas, mas menos extremas), economizando energia e dinheiro.

Resumo da Ópera

Antes, projetar esses ímãs era como tentar montar um quebra-cabeça de 1 milhão de peças no escuro, onde cada peça mudava de cor dependendo da outra.

Hoje, com o alesia, é como se você tivesse um robô assistente que:

1. Organiza todas as peças.
2. Aprende com as peças que já montou para prever onde as novas se encaixam.
3. Testa milhões de combinações em segundos.
4. Avisa se você está prestes a derrubar a torre.

Isso acelera a criação de tecnologias que vão desde tratamentos de câncer mais precisos até a descoberta de novos segredos do universo, tudo graças à inteligência artificial trabalhando nos bastidores.

Resumo técnico

Título: Otimização Baseada em Dados de Ímãs Supercondutores no CEA Paris-Saclay

1. Problema e Contexto

O projeto de ímãs supercondutores para aceleradores de partículas, fusão nuclear e ressonância magnética (MRI) enfrenta desafios significativos devido à complexidade dos sistemas envolvidos. Estes desafios incluem:

• Fenômenos Físicos Acoplados: A necessidade de modelar simultaneamente eletromagnetismo, mecânica, termodinâmica, criogenia e ciência dos materiais.
• Gestão de Dados Complexos: O grande volume de dados gerado por simulações numéricas caras (como o Método de Elementos Finitos - FEM) e a diversidade de expertise necessária.
• Tempo e Recursos: O ciclo de design tradicional é longo (anos), e a emergência de novos supercondutores de alta temperatura (HTS) exige novas ferramentas de modelagem e otimização.
• Espaços de Parâmetros de Alta Dimensão: A dificuldade de encontrar configurações ótimas em espaços de design vastos e não lineares.

2. Metodologia: Plataforma ALESIA

Para abordar esses desafios, o CEA desenvolveu a ALESIA, uma plataforma de otimização baseada em Inteligência Artificial (IA) e gestão de dados. A plataforma é desenvolvida em Python/Cython e estruturada em sete módulos principais:

• Gerenciador de Projetos: Coordena scripts de simulação, execução paralela e interação entre módulos.
• Bancos de Dados: Armazena dados de simulação (formato HDF5 seguindo princípios FAIR) e propriedades de materiais (SQL), garantindo consistência e reprodutibilidade.
• Interfaces com Software de Física: Integração automatizada com códigos externos (Opera 2D/3D, ANSYS, Cast3M, RAT, IBSimu) via interação direta com banco de dados ou modificação de scripts baseada em palavras-chave.
• Otimizadores Multiparamétricos: Implementação de algoritmos heurísticos (algoritmos genéticos, enxame de partículas, CMA-ES) e aprendizado ativo (Bayesian Optimization).
• Aprendizado Supervisionado: Criação de modelos substitutos (surrogate models) (ex: Redes Neurais, Random Forest) treinados com dados de simulação para prever o comportamento do ímã sem a necessidade de simulações FEM completas a cada iteração.
• Ferramentas de Análise de Dados: Uso de Jupyter notebooks e geração automática de relatórios.
• Modelagem Interna: Inclusão de modelos analíticos e quasi-analíticos (ex: Biot-Savart, modelos de quench) que acessam diretamente o banco de dados de materiais.

3. Principais Contribuições e Aplicações

O artigo destaca quatro áreas de aplicação da plataforma ALESIA:

A. Otimização Multipísica de Ímãs (Ex: SPIN ROTATORS e EIC)

• Caso de Uso: Design de ímãs solenoides de Nb-Ti e Nb3Sn para o Colisor de Íons Eletrônicos (EIC).
• Abordagem: Um fluxo de trabalho automatizado que integra simulações magnéticas (Opera), forças de Laplace e mecânicas (Cast3M), design de condutores e simulações de quench.
• Resultado: Uso de Aprendizado Ativo e Redes Neurais Residuais para criar modelos substitutos. O modelo alcançou alta precisão ($R^2 > 0,98$) na previsão de campo magnético integrado, pico de campo, tensão de von Mises e temperatura de quench, permitindo a exploração rápida do espaço de parâmetros e a identificação de soluções viáveis com trade-offs entre custo e desempenho.

B. Otimização Topológica (Topology Optimisation - TO)

• Objetivo: Encontrar a distribuição ótima de densidade de enrolamentos para atender a requisitos de campo magnético e restrições mecânicas (tensão de von Mises) simultaneamente.
• Método: Baseado no método SIMP (Solid Isotropic Microstructure with Penalisation) e otimizadores baseados em gradiente (MMA).
• Resultado: Geração de projetos de ímãs de MRI de ultra-alto campo (11,7 T) em minutos, sem suposições iniciais sobre a topologia, servindo como rascunho inicial para refinamento posterior.

C. Otimização de Ímãs HTS e Fontes de Íons (ECRIS)

• Aplicação: Design de ímãs para fontes de íons de ressonância ciclotrônica eletrônica (ECRIS) de nova geração (ex: TOUHTATIS, 45 GHz) usando fitas REBCO.
• Desafio: Gerenciar a anisotropia dos HTS e as tensões mecânicas complexas em empacotamentos de "panquecas" (pancakes).
• Resultado: Uso de otimização evolutiva e modelos substitutos (Random Forest, Gaussian Process, Deep Learning) para otimizar a pressão de contato entre componentes mecânicos, reduzindo concentrações de tensão críticas.

D. Detecção de Anomalias e Proteção contra Quench

• Problema: A detecção de quench (transição para estado resistivo) é difícil em HTS devido à lenta propagação da zona normal.
• Solução: Desenvolvimento de "Gêmeos Digitais" usando IA.
  • Classificadores: Árvores de decisão e Random Forests para prever se uma anomalia levará a um quench rápido, lento ou recuperação.
  • Regressores: Redes Neurais Convolucionais (CNN) e LSTM para prever a evolução temporal de tensão e campos magnéticos.
• Velocidade de Propagação: Uso de modelos substitutos para estimar rapidamente as velocidades de propagação da zona normal, integrando-os ao solver qaesar para estratégias de proteção mais eficientes.

4. Resultados Chave

• Eficiência Computacional: Redução drástica do tempo de design através de modelos substitutos que evitam simulações FEM completas em cada iteração de otimização.
• Precisão: Modelos de IA demonstraram alta correlação com dados reais de simulação (ex: $R^2 = 0,997$ para campo magnético integrado).
• Automação: A plataforma ALESIA automatizou fluxos de trabalho complexos que antes exigiam intervenção manual entre diferentes softwares, reduzindo erros de modelagem e tempo de integração.
• Inovação em Design: Possibilidade de explorar configurações não convencionais (como topologias otimizadas e novos arranjos de bobinas de shim) que seriam inviáveis com métodos tradicionais.

5. Significado e Impacto

Este trabalho demonstra que a integração de IA e gestão de dados é transformadora para o projeto de ímãs supercondutores. A plataforma ALESIA não apenas acelera o ciclo de desenvolvimento de ímãs para aceleradores de partículas (como o EIC e FCC), mas também permite a transferência tecnológica para outras áreas, como MRI de ultra-alto campo e dispositivos de fusão.
A capacidade de lidar com dados heterogêneos, acoplar múltiplas físicas e utilizar aprendizado de máquina para otimização e detecção de falhas posiciona o CEA na vanguarda da engenharia de ímãs supercondutores, preparando o terreno para futuros sistemas mais compactos, eficientes e seguros. O artigo também aponta para o uso futuro de IA generativa e redes neurais informadas pela física (Physics-Informed Neural Networks) para automatizar ainda mais a criação de fluxos de trabalho de otimização.