Репортаж от Wedoany，Опубликована белая книга о мультифиделити-методах в области термоядерного синтеза, посвящённая ускорению коммерциализации с помощью ИИ и цифровых двойников. В белой книге систематически излагается, как интеграция физически и данных обусловленных моделей позволяет решить ключевые проблемы разработки термоядерной энергии. В документе рассматриваются передовые технологии, включая машинное обучение, мультифиделити-редуцированные модели и ИИ-агенты, с целью ускорения коммерциализации термоядерной энергии путём создания прогностических цифровых двойников.
В части интеграции физически и данных обусловленных моделей белая книга отмечает, что физические модели термоядерной плазмы образуют иерархию от высокофиделитных кинетических и гирокинетических моделей до моделей магнитогидродинамики (МГД). Однако традиционные упрощённые физические модели ограничены априорными приближениями. Редуцированные модели, основанные на данных (такие как POD, DMD, тензорные сети и гауссовы процессы), а также свёрточные нейронные сети (CNN) и генеративные диффузионные модели, способны напрямую извлекать базовую структуру из высокофиделитных симуляций или экспериментальных данных, преодолевая традиционные физические ограничения. Получение и стандартизация данных являются ключевым узким местом; в настоящее время термоядерная область должна стремиться к принципам FAIR (находимость, доступность, совместимость, повторное использование), используя открытые базы данных, такие как IMAS и FAIR-MAST. Недавние достижения включают разработку многомодовых квазилинейных моделей для стеллараторов с помощью DMD, а также построение нелинейных гирокинетических редуцированных моделей с использованием проекции POD-Галёркина.
В области снижения и характеризации неопределённостей белая книга подчёркивает важность верификации, валидации и количественной оценки неопределённостей (VVUQ) для прогнозирования производительности будущих установок. С помощью методов управления дисперсией, таких как многоуровневый метод Монте-Карло (MLMC) и мультифиделити-метод Монте-Карло (MFMC), можно значительно снизить дисперсию высокофиделитных оценок, используя низкофиделитные модели, что особенно эффективно для моделирования редких событий, таких как нейтроника и перенос высокоэнергетических частиц. Для решения проблем вывода с помощью марковских цепей Монте-Карло (MCMC) перспективными оказались схемы с отложенным принятием (Delayed Acceptance) и методы мультифиделити-ассимиляции данных. Политехнический университет Виргинии и Университет Колорадо в Боулдере успешно применили разреженные сетки для UQ при построении суррогатных моделей прогнозирования тепловой нагрузки на дивертор токамака.
Передовые численные методы обеспечивают базовую поддержку мультифиделити-фреймворков. Использование тензорных сетей для разработки оператора столкновений Больцмана позволяет эффективно преодолеть проклятие размерности в высокофиделитной кинетике (например, в системе Власова-Максвелла); заимствование методов крупномасштабного моделирования (LES) в сочетании с машинным обучением для замыкания предлагает новое решение для турбулентности замагниченной плазмы.
В области дифференцируемого программирования перенос кодов научных вычислений на фреймворки, поддерживающие автоматическое дифференцирование, такие как JAX или PyTorch, позволяет встраивать нейронные сети в решатели и запускать их на GPU/TPU, напрямую получая градиенты. В настоящее время дифференцируемый гирокинетический решатель iGENE уже перенесён на JAX.
В области формального доказательства корректности с использованием предметно-ориентированных языков (DSL) и языка доказательств Lean исследователи разрабатывают численные методы для уравнений сжимаемого Эйлера и МГД-уравнений, имеющие формальные сертификаты корректности (Formal Certificates of Correctness) в отношении математической структуры и физических законов сохранения.
В области проектирования и оптимизации термоядерных установок мультифиделити-методы делают возможной глубокую интеграционную оптимизацию. В настоящее время остро необходимы быстрые и самосогласованные схемы связи ядра и периферии, например, объединение 4D гирокинетической модели края/дивертора с моделью нейтральных частиц. В инерциальном термоядерном синтезе (ICF) мультифиделити-байесовские методы и глубокие суррогатные модели были использованы для оптимизации дизайна мишеней для Национальной установки зажигания (NIF). В магнитном термоядерном синтезе необходимо встраивать методы Монте-Карло в цикл оптимизации для оценки влияния инженерных неопределённостей, таких как ошибки изготовления и установки катушек, на производительность.
Что касается мультифиделити-методов для управления в реальном времени, из-за сложности частого физического доступа внутрь реактора и деградации датчиков в ядерной среде, будущее управление плазмой будет в значительной степени опираться на модельную оценку состояния. Модельное прогностическое управление (MPC) становится основным трендом, что требует разработки эффективных, ориентированных на управление нелинейных редуцированных моделей. Кроме того, необходимо внедрять совместное проектирование управления (Co-design) на ранних этапах проектирования, всесторонне учитывая переходные процессы и экстремальные события.
В области стимулирования автономных научных открытий ИИ-агенты, основанные на комбинации больших языковых моделей и систем вызова инструментов, трансформируют рабочие процессы высокопроизводительных вычислений (HPC). Агенты уже способны полностью автоматически выполнять развёртывание и настройку среды для гирокинетического кода GENE на нескольких HPC-системах, а также помогли с рефакторингом кода GENE-3D, переносом кода Gkeyll на AMD GPU и полностью автоматическим запуском OSIRIS на суперкомпьютере Perlmutter для исследования взаимодействия лазера с плазмой. Применение агентов в термоядерной области эволюционирует от вспомогательного к полностью автономному.
Создание прогностического цифрового двойника термоядерного синтеза является долгосрочной целью этой области. Это требует не только стратегической интеграции высоко- и низкофиделитных моделей, но и опоры на надёжный фреймворк VVUQ для установления достоверности решений, основанных на моделировании. Направления, рассмотренные в данной белой книге, хорошо согласуются с недавно опубликованными Министерством энергетики США (DOE) «Руководством по подаче заявок на национальные научно-технические задачи миссии Genesis» (Genesis Mission RFA) и «Дорожной картой по термоядерной науке и технологиям» (FS&T Roadmap), которые чётко определяют ИИ, мультифиделити-вычисления, цифровые двойники и оптимизацию проектирования установок как приоритетные задачи для ускорения коммерциализации термоядерной энергии.
