es.wedoany.com Noticia: Se publica un libro blanco sobre métodos multifidelidad en el ámbito de la fusión nuclear, centrado en la IA y los gemelos digitales para acelerar la comercialización. Un libro blanco sobre métodos multifidelidad en fusión nuclear expone sistemáticamente cómo la integración de modelos impulsados por la física y por datos aborda los desafíos centrales en el desarrollo de la energía de fusión. El documento explora tecnologías de vanguardia, incluyendo aprendizaje automático, modelos reducidos multifidelidad y agentes de IA, con el objetivo de acelerar la comercialización de la energía de fusión mediante la construcción de gemelos digitales predictivos.
En cuanto a la integración de modelos impulsados por la física y por datos, el libro blanco señala que los modelos físicos del plasma de fusión constituyen un sistema jerárquico que va desde modelos de alta fidelidad cinéticos y girocinéticos hasta modelos magnetohidrodinámicos (MHD). Sin embargo, los modelos físicos simplificados tradicionales están limitados por aproximaciones a priori. Los modelos reducidos basados en datos, como la descomposición ortogonal propia (POD), la descomposición en modos dinámicos (DMD), las redes tensoriales y los procesos gaussianos, así como las redes neuronales convolucionales (CNN) y los modelos de difusión generativos, pueden aprender directamente la estructura subyacente de simulaciones de alta fidelidad o datos experimentales, superando las restricciones físicas tradicionales. La adquisición y estandarización de datos son cuellos de botella críticos; actualmente, el campo de la fusión necesita alinearse con los principios FAIR (localizables, accesibles, interoperables y reutilizables), utilizando bases de datos abiertas como IMAS (Sistema Integrado de Modelado y Análisis) y FAIR-MAST. Los avances recientes incluyen el desarrollo de modelos cuasilineales multimodo para stellarators mediante DMD, y la construcción de modelos reducidos girocinéticos no lineales mediante proyección POD-Galerkin.
En la reducción y caracterización de incertidumbres, el libro blanco destaca la importancia de la verificación, validación y cuantificación de incertidumbres (VVUQ) para predecir el rendimiento de futuros dispositivos. Mediante técnicas de variables de control como el Monte Carlo multinivel (MLMC) y el Monte Carlo multifidelidad (MFMC), se pueden utilizar modelos de baja fidelidad para reducir significativamente la varianza de las evaluaciones de alta fidelidad, lo que es particularmente efectivo para simular eventos raros como la neutrónica y el transporte de partículas energéticas. Para el desafío de la inferencia mediante cadenas de Markov Monte Carlo (MCMC), los esquemas de aceptación retardada y las técnicas de asimilación de datos multifidelidad muestran potencial. La Universidad Politécnica de Virginia y la Universidad de Colorado en Boulder han colaborado con éxito en la aplicación de UQ con cuadrículas dispersas para construir modelos sustitutos de predicción de carga térmica en el desviador de tokamaks.
Los métodos numéricos avanzados proporcionan soporte subyacente para el marco multifidelidad. El uso de redes tensoriales para desarrollar operadores de colisión de Boltzmann puede superar eficazmente la maldición de la dimensionalidad en dinámicas de alta fidelidad (como el sistema Vlasov-Maxwell); la simulación de grandes vórtices (LES) combinada con términos de cierre de aprendizaje automático ofrece nuevas soluciones para la turbulencia en plasmas magnetizados.
En cuanto a la programación diferenciable, la migración de códigos de computación científica a marcos que admiten diferenciación automática como JAX o PyTorch permite que los solucionadores integren redes neuronales y se ejecuten en GPU/TPU, obteniendo directamente información de gradientes. Actualmente, el solucionador girocinético diferenciable iGENE ya se ha migrado a JAX.
En la demostración formal de corrección, utilizando lenguajes de dominio específico (DSL) y el lenguaje de demostración Lean, los investigadores están construyendo métodos numéricos con certificados formales de corrección en estructura matemática y leyes de conservación física para las ecuaciones de Euler compresibles y las ecuaciones MHD.
En el diseño y optimización de dispositivos de fusión, los métodos multifidelidad permiten una optimización integrada profunda. Existe una necesidad urgente de esquemas de acoplamiento núcleo-borde rápidos y autoconsistentes, como la combinación de modelos girocinéticos 4D de borde/desviador con modelos de partículas neutras. En la fusión por confinamiento inercial (ICF), se han utilizado métodos bayesianos multifidelidad y modelos sustitutos de aprendizaje profundo para optimizar el diseño de cápsulas en la Instalación Nacional de Ignición (NIF). En la fusión por confinamiento magnético, es necesario incorporar métodos Monte Carlo en el bucle de optimización para evaluar el impacto de incertidumbres de ingeniería, como errores de fabricación e instalación de bobinas, en el rendimiento.
En cuanto a los métodos multifidelidad para control en tiempo real, debido a la dificultad de realizar accesos físicos frecuentes dentro del reactor y a la degradación de los sensores en entornos nucleares, el control futuro del plasma dependerá en gran medida de la estimación de estados basada en modelos. El control predictivo de modelos (MPC) se convierte en una tendencia dominante, lo que requiere el desarrollo de modelos reducidos no lineales eficientes y orientados al control. Además, es necesario introducir el codiseño de control en las etapas tempranas de diseño, considerando de manera integral la dinámica transitoria y los eventos extremos.
En el fomento del descubrimiento científico autónomo, los agentes de IA basados en modelos de lenguaje grandes combinados con sistemas de llamada a herramientas están remodelando los flujos de trabajo de computación de alto rendimiento (HPC). Los agentes ya han completado de forma totalmente autónoma el despliegue y la configuración del entorno del código girocinético GENE en múltiples HPC, y han asistido en la reestructuración del código GENE-3D, la migración del código Gkeyll a GPU AMD, y la ejecución totalmente autónoma de OSIRIS en la supercomputadora Perlmutter para investigar interacciones láser-plasma. La aplicación de agentes en el campo de la fusión está evolucionando de asistencial a completamente autónoma.
Construir un gemelo digital de fusión centrado en la predictividad es el objetivo a largo plazo de este campo. Esto no solo requiere una fusión estratégica de modelos de alta y baja fidelidad, sino que también depende de un marco robusto de VVUQ para establecer la credibilidad de las decisiones basadas en simulación. Las direcciones exploradas en este libro blanco están altamente alineadas con la reciente "Solicitud de Proyectos de Desafíos Nacionales de Ciencia y Tecnología de la Misión Génesis" (Genesis Mission RFA) y la "Hoja de Ruta de Ciencia y Tecnología de Fusión" (FS&T Roadmap) del Departamento de Energía de EE. UU. (DOE), que identifican explícitamente la IA, la computación multifidelidad, los gemelos digitales y la optimización del diseño de instalaciones como tareas prioritarias para acelerar la comercialización de la energía de fusión.
