de.wedoany.com-Bericht: Ein Weißbuch zu Multifidelity-Methoden in der Kernfusion wurde veröffentlicht, das den Fokus auf KI und Digitale Zwillinge zur Beschleunigung der Kommerzialisierung legt. Das Weißbuch beschreibt systematisch, wie durch die Integration physikgetriebener und datengetriebener Modelle die zentralen Herausforderungen bei der Entwicklung der Fusionsenergie bewältigt werden können. Es untersucht Spitzentechnologien wie maschinelles Lernen, Multifidelity-Reduced-Order-Modelle und KI-Agenten mit dem Ziel, durch den Aufbau prädiktiver Digitaler Zwillinge die Kommerzialisierung der Fusionsenergie zu beschleunigen.
Hinsichtlich der Integration physikgetriebener und datengetriebener Modelle stellt das Weißbuch fest, dass Fusionsplasma-Physikmodelle eine Hierarchie von hochgenauen kinetischen und gyrokinetischen Modellen bis hin zu magnetohydrodynamischen (MHD) Modellen bilden. Traditionelle physikalische Vereinfachungsmodelle sind jedoch durch a priori Annahmen eingeschränkt. Datengetriebene Reduktionsmodelle (wie Proper Orthogonal Decomposition POD, Dynamic Mode Decomposition DMD, Tensor Networks und Gaußprozesse) sowie Convolutional Neural Networks (CNN) und generative Diffusionsmodelle können die zugrundeliegende Struktur direkt aus hochgenauen Simulationen oder experimentellen Daten lernen und so traditionelle physikalische Beschränkungen überwinden. Die Datengewinnung und -standardisierung sind kritische Engpässe; der Fusionsbereich muss sich derzeit an die FAIR-Prinzipien (Auffindbar, Zugänglich, Interoperabel, Wiederverwendbar) annähern und offene Datenbanken wie IMAS (Integrated Modelling & Analysis Suite) und FAIR-MAST nutzen. Jüngste Fortschritte umfassen die Entwicklung multimodaler quasilinearer Modelle für Stellaratoren mittels DMD sowie die Konstruktion nichtlinearer gyrokinetischer Reduktionsmodelle durch POD-Galerkin-Projektion.
Im Bereich der Reduzierung und Charakterisierung von Unsicherheiten betont das Weißbuch die Bedeutung von Verifikation, Validierung und Unsicherheitsquantifizierung (VVUQ) für die Vorhersage der Leistung zukünftiger Anlagen. Durch Kontrollvariablen-Techniken wie Multilevel-Monte-Carlo (MLMC) und Multifidelity-Monte-Carlo (MFMC) kann die Varianz hochgenauer Bewertungen mithilfe von Low-Fidelity-Modellen erheblich reduziert werden, was besonders effektiv für die Simulation seltener Ereignisse wie Neutronik und hochenergetischer Teilchentransport ist. Für die Herausforderungen der Markov-Chain-Monte-Carlo (MCMC) Inferenz zeigen Delayed-Acceptance-Schemata und Multifidelity-Datenassimilationstechniken Potenzial. In Zusammenarbeit zwischen der Virginia Tech und der University of Colorado Boulder wurde die Sparse-Grid-UQ erfolgreich auf den Aufbau von Surrogatmodellen für die Vorhersage der Wärmelast von Tokamak-Divertoren angewendet.
Fortschrittliche numerische Methoden bieten die grundlegende Unterstützung für Multifidelity-Frameworks. Die Entwicklung von Boltzmann-Kollisionsoperatoren mittels Tensor Networks kann den Fluch der Dimensionalität in hochgenauen kinetischen Systemen (wie dem Vlasov-Maxwell-System) effektiv überwinden; die Anwendung von Large-Eddy-Simulation (LES) in Kombination mit maschinellen Lernabschlüssen bietet einen neuen Ansatz für magnetisierte Plasmaturbulenzen.
Im Bereich der differenzierbaren Programmierung ermöglicht die Portierung wissenschaftlicher Rechencodes auf Frameworks wie JAX oder PyTorch, die automatische Differentiation unterstützen, dass Löser neuronale Netze integrieren und auf GPUs/TPUs laufen können, um direkt Gradienteninformationen zu erhalten. Derzeit wurde der differenzierbare gyrokinetische Löser iGENE erfolgreich auf JAX portiert.
Im Bereich formaler Korrektheitsbeweise arbeiten Forscher mit domänenspezifischen Sprachen (DSL) und der Beweissprache Lean an der Entwicklung numerischer Methoden für kompressible Euler- und MHD-Gleichungen, die formale Korrektheitszertifikate (Formal Certificates of Correctness) hinsichtlich mathematischer Struktur und physikalischer Erhaltungssätze besitzen.
Im Bereich Design und Optimierung von Fusionsanlagen ermöglichen Multifidelity-Methoden eine tiefgreifende integrierte Optimierung. Derzeit besteht ein dringender Bedarf an schnellen, vorhersagbaren und selbstkonsistenten Core-Edge-Kopplungsschemata, wie der Kombination von 4D-gyrokinetischen Edge/Divertor-Modellen mit Neutralteilchenmodellen. In der Trägheitsfusion (ICF) wurden Multifidelity-Bayes-Methoden und Deep-Learning-Surrogatmodelle zur Optimierung des Target-Designs der National Ignition Facility (NIF) eingesetzt. Bei der magnetischen Fusion müssen Monte-Carlo-Methoden in Optimierungsschleifen integriert werden, um die Auswirkungen technischer Unsicherheiten wie Spulenfertigungs- und Installationsfehler auf die Leistung zu bewerten.
Für Multifidelity-Methoden in der Echtzeitsteuerung: Da häufige physikalische Zugriffe im Reaktorinneren schwierig sind und die nukleare Umgebung zu Sensordegradation führt, wird die zukünftige Plasmakontrolle stark auf modellbasierte Zustandsschätzung angewiesen sein. Die modellprädiktive Regelung (MPC) wird zum vorherrschenden Trend, was die Entwicklung effizienter, steuerungsorientierter nichtlinearer Reduktionsmodelle erfordert. Darüber hinaus muss in frühen Designphasen eine Control-Co-Design-Methodik integriert werden, die transiente Dynamik und Extremereignisse berücksichtigt.
Im Bereich der Ermächtigung autonomer wissenschaftlicher Entdeckungen verändern KI-Agenten, die auf großen Sprachmodellen und Tool-Calling-Systemen basieren, die Arbeitsabläufe im Hochleistungsrechnen (HPC). Agenten sind bereits in der Lage, die Bereitstellung und Umgebungskonfiguration des gyrokinetischen Codes GENE auf mehreren HPC-Systemen vollautomatisch durchzuführen, haben bei der Code-Restrukturierung von GENE-3D geholfen, die Portierung des Gkeyll-Codes auf AMD-GPUs unterstützt und auf dem Perlmutter-Supercomputer OSIRIS für die Untersuchung von Laser-Plasma-Wechselwirkungen vollautomatisch ausgeführt. Die Anwendung von Agenten im Fusionsbereich entwickelt sich von unterstützend zu vollständig autonom.
Der Aufbau eines auf Prädiktivität ausgerichteten Digitalen Zwillings für die Fusion ist das langfristige Ziel dieses Bereichs. Dies erfordert nicht nur die strategische Integration von High-Fidelity- und Low-Fidelity-Modellen, sondern auch ein robustes VVUQ-Framework, um die Glaubwürdigkeit simulationsbasierter Entscheidungen zu etablieren. Die in diesem Weißbuch diskutierten Richtungen stimmen stark mit der kürzlich vom US-Energieministerium (DOE) veröffentlichten „Genesis Mission RFA“ (Aufforderung zur Einreichung von Vorschlägen für nationale wissenschaftliche und technologische Herausforderungen) und dem „Fusion Science & Technology Roadmap“ (FS&T Roadmap) überein, die KI und Multifidelity-Computing, Digitale Zwillinge sowie die Optimierung von Anlagendesign explizit als vorrangige Aufgaben zur Beschleunigung der Kommerzialisierung der Fusionsenergie identifizieren.
