Closing the Loop: Deploying Auto-Generating Digital Twins for Particle Accelerators

Título: Fechando o Ciclo: Implantando Gêmeos Digitais Auto-gerados para Aceleradores de Partículas

1. O Problema

A operação e caracterização de aceleradores de partículas complexos dependem de medições de uma vasta gama de instrumentos, muitas das quais são invasivas ou fornecem apenas uma representação reduzida do espaço de fase completo (6D) do feixe. Existe uma lacuna significativa entre os parâmetros do sistema de controle físico e os modelos teóricos dos físicos.

• Desafios Atuais: A comparação entre dados medidos e simulados é frequentemente feita manualmente, exigindo ajustes de dados para garantir comparações justas.
• Limitações de Simulação: O uso de ferramentas de simulação padrão para criar "Gêmeos Digitais" (DT) enfrenta desafios de intensidade computacional, dificultando a operação em tempo real.
• Definição de DT vs. Sombra Digital: Um verdadeiro Gêmeo Digital exige um vínculo de dados bidirecional (onde o DT atualiza autonomamente o sistema físico). A maioria das ferramentas atuais são apenas "Sombra Digital" (DS), com fluxo unidirecional (físico para virtual), servindo apenas para observação.

2. Metodologia e Arquitetura

Os autores propõem uma arquitetura de Gêmeo Digital auto-gerada, modular e extensível, baseada em contêineres Docker que se comunicam através de um controlador central. A solução utiliza o formato LAURA (Lattice Architecture for a Unified Representation of Accelerators) como "fonte única da verdade" (ground source of truth).

A arquitetura é composta pelos seguintes módulos principais:

• Representação da Rede (Lattice - LAURA):

  • Utiliza arquivos YAML para definir cada elemento do acelerador (ímãs, cavidades RF, etc.), contendo tanto atributos físicos quanto parâmetros do sistema de controle.
  • Elimina ambiguidades na nomenclatura de parâmetros entre o modelo de simulação e o hardware virtual.
  • Inclui resumos do feixe (parâmetros Twiss, centróides) e representações multipartículas em estações de diagnóstico.

• Sistema de Controle Virtual (Virtual Accelerator):

  • Utiliza o pacote SARABI (Soft Architecture for Rendering Automated Backend IOCs) para criar automaticamente controladores de E/S virtuais (IOCs) baseados em EPICS a partir dos arquivos LAURA.
  • Gera variáveis de processo (PVs) virtuais (prefixadas com "VM-") que espelham o hardware físico, permitindo a interação via interface web.
  • Suporta a criação de IOCs de física (prefixados com "SIM-") para exibir resultados de simulação.

• Camada de Comunicação:

  • Gerencia o fluxo de dados entre o controle virtual e o módulo de simulação.
  • Opera em dois modos: Contínuo (atualização automática ao detectar mudanças nas variáveis de controle) e Acionado (execução sob demanda pelo usuário).
  • Armazena o estado completo da rede (entrada e saída) em um banco de dados para pós-processamento.

• Framework de Simulação:

  • Baseado no pacote SIMBA, que permite a execução de simulações "start-to-end" (do início ao fim) com troca suave entre diferentes códigos de simulação (ex: ASTRA, OPAL, ELEGANT, GENESIS).
  • Integração com ML: Suporta a substituição de códigos de rastreamento tradicionais por Modelos de Aprendizado de Máquina (via biblioteca Poly-Lithic), tratando-os como qualquer outro código de simulação.
  • Otimização de Recursos: O sistema verifica se uma configuração já foi simulada anteriormente no banco de dados. Se houver correspondência exata, reutiliza os resultados, evitando a reexecução da simulação.

• Interface Web:

  • Desenvolvida em React e TypeScript, utiliza o protocolo PVWS (Process Variable Web Sockets) para permitir que operadores interajam com o DT diretamente pelo navegador, visualizando distribuições do feixe e espaços de fase sem necessidade de linha de comando.

3. Principais Contribuições

• Auto-geração: A capacidade de gerar automaticamente o sistema de controle virtual e os parâmetros de simulação a partir de uma única descrição da rede (LAURA), reduzindo erros humanos e tempo de configuração.
• Modularidade: A arquitetura baseada em contêineres permite que instituições substituam módulos específicos (ex: trocar o motor de simulação ou o modelo de ML) sem quebrar a coerência estrutural do sistema.
• Integração Híbrida: Suporte nativo para alternar entre códigos de física tradicionais e modelos de Inteligência Artificial dentro do mesmo fluxo de trabalho de DT.
• Validação em Múltiplas Instalações: A arquitetura foi testada e validada em três contextos distintos:
  1. CLARA: Acelerador de pesquisa e aplicações (Reino Unido).
  2. ISIS: Injetor de feixe de média energia (MEBT) do ISIS Neutron and Muon Source.
  3. UK XFEL: Instalação proposta de Laser de Elétrons Livres de Raio-X (fase de projeto).

4. Resultados

• CLARA (Ajuste de Modelo): O DT foi capaz de reproduzir com boa concordância as tendências experimentais do comprimento do pacote de elétrons (bunch length) em função da compressão do feixe (R56). Embora a concordância quantitativa não fosse perfeita (devido à falta de otimização de óptica em cada passo do escaneamento), o sistema forneceu estimativas razoáveis com esforço mínimo, demonstrando utilidade para locais sem diagnósticos físicos.
• ISIS (Teste de ML): Um modelo de rede neural simples foi treinado com dados do código ASTRA para prever a evolução do feixe no MEBT. O DT conseguiu alternar perfeitamente entre o código ASTRA e o modelo de ML, atualizando o sistema de controle virtual com os resultados de ambos, provando a viabilidade de usar ML em tempo real dentro da arquitetura.
• UK XFEL (Comissionamento Virtual): Foi desenvolvido um experimento de comissionamento virtual para otimizar a intensidade do FEL. O sistema realizou varreduras de parâmetros da rede e ajustes de óptica totalmente via interações com o sistema de controle virtual, demonstrando que a ferramenta pode ser usada para prototipagem de procedimentos antes mesmo da construção física da instalação.

5. Significado e Perspectivas Futuras

Este trabalho estabelece uma base fundamental para a comunidade de aceleradores de partículas adotar Gêmeos Digitais.

• Impacto: Permite manutenção preditiva, otimização offline e comissionamento virtual, reduzindo o tempo de inatividade e os riscos operacionais.
• Desafios Futuros:
  • Latência: O tempo de execução da simulação ainda pode exceder a taxa de repetição da máquina. Soluções incluem o uso de modelos de ML mais rápidos, execução em clusters ou a redução do número de partículas nas distribuições de feixe.
  • Controle Bidirecional: Para que o DT ajuste o hardware físico autonomamente, é necessário um rigoroso cruzamento de dados entre simulação e medição real para garantir a confiabilidade do modelo, evitando que erros de simulação corrompam o acelerador físico.
• Conclusão: A arquitetura proposta oferece um caminho escalável e colaborativo para o desenvolvimento de uma solução genérica de Gêmeo Digital, permitindo que diferentes instalações adaptem a ferramenta às suas necessidades específicas enquanto mantêm uma estrutura comum.