Universidade da Califórnia publica Livro Branco sobre Métodos de Multifidelidade para Fusão Nuclear, com foco em IA e Gémeos Digitais

De acordo com pt.wedoany.com-Foi publicado um Livro Branco sobre métodos de multifidelidade para fusão nuclear, focado em IA e gémeos digitais para acelerar a comercialização. O documento aborda sistematicamente como a integração de modelos físicos e orientados por dados pode resolver os desafios centrais no desenvolvimento da energia de fusão. O Livro Branco explora tecnologias de ponta, incluindo aprendizagem automática, modelos de ordem reduzida multifidelidade e agentes de IA, com o objetivo de acelerar a comercialização da energia de fusão através da construção de gémeos digitais preditivos.

No que diz respeito à integração de modelos físicos e orientados por dados, o Livro Branco indica que os modelos físicos de plasma de fusão constituem uma hierarquia que vai desde modelos de alta fidelidade, como os cinéticos e girocinéticos, até modelos magneto-hidrodinâmicos (MHD). No entanto, os modelos físicos simplificados tradicionais estão limitados por aproximações a priori. Modelos de ordem reduzida orientados por dados (como a Decomposição Ortogonal Própria - POD, a Decomposição em Modos Dinâmicos - DMD, redes de tensores e processos Gaussianos), bem como Redes Neuronais Convolucionais (CNN) e modelos de difusão generativos, podem aprender diretamente a estrutura subjacente a partir de simulações de alta fidelidade ou dados experimentais, quebrando as restrições físicas tradicionais. A aquisição e padronização de dados são gargalos críticos; atualmente, a área de fusão precisa de se alinhar com os princípios FAIR (Localizável, Acessível, Interoperável, Reutilizável), utilizando bases de dados abertas como o IMAS (Sistema Integrado de Modelação e Análise) e o FAIR-MAST. Avanços recentes incluem o desenvolvimento de modelos quase lineares multimodo para stellarators usando DMD, e a construção de modelos de ordem reduzida girocinéticos não lineares através da projeção POD-Galerkin.

Na redução e caracterização de incertezas, o Livro Branco enfatiza a importância da Verificação, Validação e Quantificação de Incertezas (VVUQ) para prever o desempenho de futuros dispositivos. Técnicas de variáveis de controlo, como a Monte Carlo Multinível (MLMC) e a Monte Carlo Multifidelidade (MFMC), permitem utilizar modelos de baixa fidelidade para reduzir significativamente a variância das avaliações de alta fidelidade, sendo particularmente eficazes para simular eventos raros, como o transporte de neutrões e partículas energéticas. Para os desafios de inferência com Cadeias de Markov Monte Carlo (MCMC), esquemas de Aceitação Atrasada e técnicas de assimilação de dados multifidelidade mostram potencial. A Virginia Tech e a Universidade do Colorado em Boulder colaboraram com sucesso na aplicação de UQ com grelhas esparsas na construção de modelos substitutos para a previsão de carga térmica no divertor de tokamaks.

Métodos numéricos avançados fornecem suporte subjacente ao quadro multifidelidade. A utilização de Redes de Tensores para desenvolver operadores de colisão de Boltzmann pode superar eficazmente a maldição da dimensionalidade em simulações cinéticas de alta fidelidade (como o sistema Vlasov-Maxwell); a inspiração na Simulação de Grandes Escalas (LES) combinada com termos de fecho de aprendizagem automática oferece novas soluções para a turbulência em plasma magnetizado.

Na programação diferenciável, a migração de códigos de computação científica para estruturas que suportam diferenciação automática, como JAX ou PyTorch, permite que os resolvedores incorporem redes neurais e operem em GPUs/TPUs, obtendo diretamente informações de gradiente. Atualmente, o resolvedor girocinético diferenciável iGENE já foi migrado para JAX.

Na área de prova formal de correção, utilizando Linguagens de Domínio Específico (DSL) e a linguagem de prova Lean, os investigadores estão a construir métodos numéricos para as equações de Euler compressíveis e equações MHD que possuem Certificados Formais de Correção em termos de estrutura matemática e leis de conservação física.

No design e otimização de dispositivos de fusão, os métodos multifidelidade permitem uma otimização integrada profunda. Existe uma necessidade urgente de esquemas de acoplamento núcleo-borda que sejam rápidos e autoconsistentes, como a combinação de modelos girocinéticos 4D de borda/divertor com modelos de partículas neutras. Na Fusão por Confinamento Inercial (ICF), métodos Bayesianos multifidelidade e modelos substitutos de aprendizagem profunda têm sido usados para otimizar o design dos alvos no National Ignition Facility (NIF). Na fusão por confinamento magnético, é necessário incorporar métodos de Monte Carlo no ciclo de otimização para avaliar o impacto de incertezas de engenharia, como erros de fabrico e instalação de bobinas, no desempenho.

Quanto aos métodos multifidelidade para controlo em tempo real, dado o difícil acesso físico frequente ao interior do reator e a degradação dos sensores em ambiente nuclear, o futuro controlo de plasma dependerá fortemente de estimativas de estado baseadas em modelos. O Controlo Preditivo por Modelo (MPC) torna-se a tendência dominante, exigindo o desenvolvimento de modelos de ordem reduzida não lineares eficientes e orientados para o controlo. Além disso, é necessário introduzir o Co-design de controlo nas fases iniciais de projeto, considerando a dinâmica transitória e eventos extremos.

Na capacitação da descoberta científica autónoma, os agentes de IA, baseados na combinação de grandes modelos de linguagem com sistemas de chamada de ferramentas, estão a remodelar os fluxos de trabalho de Computação de Alto Desempenho (HPC). Os agentes já conseguem realizar de forma totalmente autónoma a implementação e configuração do ambiente do código girocinético GENE em múltiplos HPCs, auxiliar na reestruturação do código GENE-3D, na migração do código Gkeyll para GPUs AMD, e executar automaticamente o OSIRIS no supercomputador Perlmutter para estudos de interação laser-plasma. A aplicação de agentes na área de fusão está a evoluir de um papel de assistência para um papel totalmente autónomo.

Construir um gémeo digital de fusão centrado na previsibilidade é o objetivo de longo prazo da área. Isto requer não apenas a fusão estratégica de modelos de alta e baixa fidelidade, mas também depende de um quadro robusto de VVUQ para estabelecer a credibilidade das decisões baseadas em simulação. As direções exploradas neste Livro Branco estão altamente alinhadas com o recente "Genesis Mission Request for Applications" (Genesis Mission RFA) e o "Fusion Science & Technology Roadmap" (FS&T Roadmap) do Departamento de Energia dos EUA (DOE), que identificam explicitamente a IA, a computação multifidelidade, os gémeos digitais e a otimização do design de instalações como prioridades para acelerar a comercialização da energia de fusão.