MPEX AI Digital Twins Milestone Report

Este relatório de progresso de seis meses descreve o desenvolvimento em curso de dois marcos de IA da Fase I para o projeto MPEX — um Controlador de Pontos Quentes com IA Helicon e um Gêmeo Digital de Avaliação de Danos por Feixe de Elétrons — juntamente com a configuração da interface de software Galaxy para integrar simulações físicas aos recursos de HPC do DOE e à Nuvem Científica Americana para análise automatizada de dados e operações orientadas por IA.

O essencial

Imagine uma cozinha massiva e futurista onde cientistas estão tentando preparar a refeição perfeita: energia de fusão nuclear. O "forno" é uma máquina chamada MPEX, e os "ingredientes" são plasma superaquecido e paredes metálicas especiais. O objetivo é testar se essas paredes metálicas podem suportar o calor extremo sem trincar ou derreter.

No entanto, cozinhar nesta cozinha é complicado. O calor não se distribui uniformemente; ele cria "pontos quentes" que podem queimar buracos na porta do forno ou na panela. Se as paredes trincarem, o experimento falha.

Este relatório é uma atualização de progresso de uma equipe de cientistas (dos Laboratórios Nacionais Oak Ridge e Lawrence Livermore) que estão construindo um "Gêmeo Digital" para esta cozinha. Pense em um Gêmeo Digital como uma versão virtual perfeita de um videogame da máquina real. Eles estão ensinando uma Inteligência Artificial (IA) a ser o chef de cozinha, usando esta versão virtual para prever o que acontecerá antes de ligar a máquina real.

Aqui está uma divisão de suas duas principais "receitas" para o sucesso:

1. O Controlador de "Pontos Quentes" (Mantendo a Porta do Forno Segura)

O Problema:
Na máquina real, o calor vem de um tipo específico de onda (chamada "helicônio"). Às vezes, esse calor fica preso em um único ponto, como uma lupa focando a luz solar em uma folha, criando um perigoso "ponto quente" que poderia trincar a janela de vidro da máquina.

A Solução da IA:
Os cientistas construíram um controlador inteligente que age como um policial de trânsito para o calor.

• O Jeito Antigo: Os cientistas costumavam adivinhar como ajustar as "estradas" magnéticas (bobinas) para espalhar o calor. Era como tentar reunir gatos adivinhando para onde eles correriam.
• O Jeito Novo: Eles criaram um modelo virtual 3D da máquina. Eles ensinaram uma IA a olhar para imagens do calor (capturadas por câmeras especiais) e descobrir exatamente como ajustar as estradas magnéticas para espalhar o calor uniformemente.
• A Analogia: Imagine que você está despejando água em um labirinto de canos. Se você despejar muito rápido em um ponto, ele estoura. A IA é como um sistema inteligente que ajusta instantaneamente as válvulas (bobinas magnéticas) para garantir que a água flua suavemente em todos os lugares, impedindo que qualquer cano único estoure.

Eles estão atualmente treinando essa IA usando dados de uma cozinha de teste menor (chamada "proto-MPEX"), para que, quando a grande máquina for inaugurada, a IA já saiba como manter a temperatura perfeita.

2. O "Detetive de Danos" (Prevendo Trincas no Metal)

O Problema:
As paredes metálicas (feitas de tungstênio) estão sendo testadas para ver se trincam sob calor extremo. Para testar isso, eles usam um feixe de elétrons poderoso (como um secador de cabelo super-rápido) para aquecer o metal. Depois, tiram fotos microscópicas para contar as trincas.

• O Desafio: Existem muitos tipos diferentes de metal e muitas configurações de calor para testá-los todos fisicamente. Levaria uma eternidade testar cada combinação individual. Além disso, as fotos são difíceis de analisar porque as trincas parecem diferentes dependendo da estrutura de grãos do metal.

A Solução da IA:
A equipe construiu um analisador de imagens superinteligente e uma bola de cristal.

• O Analisador de Imagens: Eles ensinaram uma IA a olhar para fotos microscópicas do metal e encontrar automaticamente cada única trinca, não importa o quão pequena ou estranha ela pareça. É como dar à IA um par de óculos que consegue detectar instantaneamente uma fissura capilar em um pedaço de vidro.
• A Bola de Cristal (Previsão): Como não podem testar cada metal, eles usaram um simulador de física (um programa que calcula como o metal quebra) para gerar dados "falsos". Eles combinaram as fotos reais com os dados de física falsos para ensinar um padrão à IA.
• A Analogia: Imagine que você tem algumas amostras de argila que trincaram quando assadas. Você quer saber se um novo tipo de argila vai trincar. Em vez de assar a nova argila (o que leva tempo), você usa a IA para olhar para a "forma" das trincas na argila antiga e a física de como a argila quebra. A IA então prevê: "Se você assar esta nova argila nesta temperatura, ela provavelmente trincará aqui".

3. O "Gerente da Cozinha" (Fluxo de Trabalho Galaxy)

Para fazer tudo isso funcionar, os cientistas construíram um painel de controle central chamado Galaxy.

• A Analogia: Pense nisso como um livro de receitas mestre combinado com um temporizador de cozinha. Ele conecta a IA, os simuladores de física e os dados da máquina real. Permite que cientistas (ou até a própria IA) executem experimentos complexos com alguns cliques, garantindo que cada etapa seja registrada e repetível. É a cola que mantém o "Gêmeo Digital" unido.

O Que Vem Por Aí? (A Meta de Junho)

Até junho de 2026, a equipe planeja mostrar uma versão funcional deste sistema:

1. Para os Pontos Quentes: A IA preverá com sucesso as melhores configurações para manter o calor centralizado e seguro, usando dados de sua máquina de teste menor.
2. Para os Danos: A IA preverá com sucesso onde as trincas se formarão em diferentes metais, usando uma mistura de fotos reais e simulações computacionais, provando que consegue "adivinhar" o resultado sem precisar testar fisicamente cada peça de metal.

Em Resumo:
Os cientistas estão construindo um gêmeo virtual de sua máquina de fusão e ensinando um chef de cozinha IA a gerenciar o calor e um detetive virtual a prever trincas no metal. Isso permite que eles realizem experimentos mais rápido, com mais segurança e de forma mais inteligente, aproximando-nos um passo da energia de fusão limpa e ilimitada.

Resumo técnico

Resumo Técnico: Relatório de Marco dos Gêmeos Digitais de IA do MPEX

Declaração do Problema
O Experimento de Exposição de Plasma de Material (MPEX) foi projetado para qualificar materiais voltados ao plasma para usinas de energia de fusão sob fluxos extremos de calor e partículas. Um desafio operacional crítico é a formação de "pontos quentes" localizados em componentes voltados ao plasma, particularmente na janela da antena helicon, o que pode levar a erosão ou falha estrutural. Além disso, avaliar danos ao material (trincas, erosão) requer testes experimentais extensos, limitados pelo número finito de amostras e pela escassez de dados disponíveis entre diferentes composições de materiais e condições de exposição. O projeto aborda a necessidade de uma vantagem de Inteligência Artificial (IA) para otimizar as operações do MPEX em tempo real e acelerar a avaliação de danos ao material por meio de uma combinação de dados experimentais, simulações físicas e IA generativa.

Metodologia
O projeto desenvolve dois Gêmeos Digitais de IA primários: um para controlar pontos quentes de aquecimento helicon e outro para avaliar danos ao material induzidos por feixe de elétrons (E-beam).

1. Controlador de Pontos Quentes Helicon com IA:

   • Modelagem Física: A equipe transitou de modelos 2D com simetria azimutal para simulações de RF 3D de alta fidelidade usando COMSOL para capturar a assimetria azimutal intrínseca do aquecimento helicon. Esses resultados foram acoplados ao código de turbulência de fluidos 3D HERMES-3 para simular a geração e o transporte de plasma.
   • Mapeamento de Tubos de Fluxo: Foi desenvolvido um framework de ordem reduzida para mapear o fluxo de calor da janela helicon para alvos a jusante, traçando tubos de fluxo ao longo das linhas do campo magnético, preservando a identidade de pacotes de fluxo específicos em vez de apenas coordenadas de superfície.
   • Arquitetura de IA: Autoencoders Variacionais (VAEs) foram treinados com medições de infravermelho (IR) do Proto-MPEX e dados de simulação. Esses modelos generativos aprendem um espaço latente compartilhado para fundir dados experimentais ruidosos com simulações de múltiplas fidelidades. O sistema de IA utiliza um loop orientado ao controle para detectar pontos quentes, prever a redistribuição de fluxo de calor sob correntes de bobina variáveis e recomendar parâmetros operacionais para minimizar a carga na janela, mantendo o fluxo no alvo.

2. Gêmeo Digital de Avaliação de Danos por E-beam:

   • Caracterização Automatizada: Um pipeline de processamento de imagem totalmente automatizado foi desenvolvido para imagens de Microscopia Eletrônica de Varredura (MEV). Ele utiliza aprimoramento de crista Sato, suavização Gaussiana, mascaramento não nítido e limiarização triangular para identificar e segmentar robustamente redes de trincas em materiais e resoluções heterogêneas.
   • Codificação de Recursos e Aprendizado de Métrica: Patches de imagem são codificados usando um transformador de visão DINOv2 pré-treinado para criar vetores de recursos de alta dimensão. A redução de dimensionalidade via PCA e mapas de difusão cria uma variedade de baixa dimensão onde a similaridade morfológica é preservada. Uma abordagem de aprendizado de métrica alinha a distância neste espaço de recursos com a distância no espaço de parâmetros experimentais (temperatura, fluxo de calor, liga).
   • Previsão e Simulação: A Regressão de Ridge de Kernel (KRR) é usada para prever a densidade de trincas com base na métrica aprendida. Para abordar a escassez de dados, o código de peridinâmica CabanaPD foi estendido para modelar mecânica de contínuo anisotrópica e simulações de choque térmico de longo prazo. Essas simulações baseadas em física geram dados sintéticos para preencher lacunas no espaço de parâmetros experimentais.
   • Automação de Fluxo de Trabalho: Todas as ferramentas (códigos de física, modelos de IA, análise de dados) foram integradas à plataforma baseada na web Galaxy, permitindo fluxos de trabalho reproduzíveis e ingestão automatizada de dados de recursos HPC do DOE.

Principais Contribuições

• Modelagem de RF 3D: Simulações 3D COMSOL do sistema helicon do MPEX, realizadas pela primeira vez, revelaram que o aquecimento é localizado no plano 2D perpendicular às linhas do campo magnético devido à colisionalidade de borda e excitação de múltiplos modos, contradizendo as suposições simétricas 2D anteriores.
• Framework de Controle Generativo: Desenvolvimento de um controlador baseado em VAE que interpola com sucesso entre condições experimentais para prever mapas de fluxo de calor IR e otimizar correntes de bobina para aquecimento central do plasma, reduzindo assim pontos quentes azimutais.
• Identificação Robusta de Trincas: Criação de um pipeline de processamento de imagem totalmente automatizado e sem parâmetros, capaz de extrair densidade de trincas de diversas imagens de MEV, implantado via Galaxy.
• Surrogado de IA Informado por Física: Integração de simulações de peridinâmica CabanaPD com modelos de IA para gerar dados de treinamento para regimes onde os dados experimentais são escassos, abordando especificamente o comportamento mecânico anisotrópico em ligas de tungstênio.
• Aprendizado de Métrica para Danos: Implementação de uma métrica aprendida no espaço de parâmetros que se alinha com a similaridade morfológica no espaço de difusão, permitindo previsões de densidade de trincas mais fisicamente significativas do que a regressão de parâmetros brutos.

Resultados

• Controle de Pontos Quentes: O controlador de IA demonstrou a capacidade de minimizar a assimetria de calor axial variando correntes de bobina, embora a assimetria azimutal permaneça um desafio devido a variações no fluxo de calor paralelo ao plasma. O sistema identificou com sucesso que o aquecimento central do plasma é o fator crítico para reduzir pontos quentes azimutais.
• Previsão de Danos: A ferramenta automatizada de identificação de trincas alcançou segmentação confiável tanto em superfícies altamente trincadas quanto não danificadas. O modelo KRR usando a métrica aprendida mostrou boa precisão de previsão onde os dados existiam, embora tenha exibido subestimação sistemática em regimes de baixo dano devido à escassez de dados.
• Validação de Simulação: O código CabanaPD estendido foi validado contra dados experimentais de tensão-deformação para várias ligas de tungstênio, capturando com sucesso respostas mecânicas anisotrópicas e prevendo a iniciação de trincas sob condições de choque térmico por E-beam.
• Integração de Fluxo de Trabalho: Um subconjunto de códigos de simulação física (DREAM, GITR, CabanaPD) e a ferramenta de identificação de trincas com IA foram implantados com sucesso na instância Galaxy do ORNL, conectando-se a recursos HPC.

Significado
O artigo afirma que este trabalho estabelece a base para uma plataforma científica totalmente funcional onde agentes de IA podem controlar autonomamente as operações do MPEX e avaliar danos ao material. Ao conectar simulações físicas de alta fidelidade com dados experimentais por meio de IA generativa e aprendizado de métrica, o projeto permite uma busca generativa rápida por materiais ótimos com danos reduzidos de interação plasma-material (PMI). A integração dessas capacidades no framework Galaxy garante que a instalação MPEX possa operar com decisões de agentes de IA para evitar paradas durante pulsos longos e qualificar eficientemente novos materiais candidatos, indo além de buscas empíricas ineficientes. O relatório posiciona esses marcos da Fase I como um precursor da Fase II, que expandirá o controle para todo o sistema de aquecimento e resfriamento da instalação e incorporará modalidades adicionais de danos ao plasma.