fr.wedoany.com Rapport : Un livre blanc sur les méthodes multi-fidélité dans le domaine de la fusion nucléaire a été publié, mettant l'accent sur l'IA et les jumeaux numériques pour accélérer la commercialisation. Ce document expose systématiquement comment l'intégration de modèles pilotés par la physique et par les données permet de relever les défis fondamentaux du développement de l'énergie de fusion. Il explore des technologies de pointe telles que l'apprentissage automatique, les modèles d'ordre réduit multi-fidélité et les agents d'IA, visant à accélérer la commercialisation de l'énergie de fusion par la construction de jumeaux numériques prédictifs.
En ce qui concerne l'intégration des modèles pilotés par la physique et par les données, le livre blanc indique que les modèles physiques du plasma de fusion forment une hiérarchie allant des modèles cinétiques (Kinetic) et gyrocinétiques (Gyrokinetic) à haute fidélité jusqu'aux modèles magnétohydrodynamiques (MHD). Cependant, les modèles physiques simplifiés traditionnels sont limités par des approximations a priori. Les modèles d'ordre réduit pilotés par les données (tels que la décomposition orthogonale aux valeurs propres POD, la décomposition en modes dynamiques DMD, les réseaux tensoriels et les processus gaussiens), ainsi que les réseaux de neurones convolutifs (CNN) et les modèles de diffusion génératifs, peuvent apprendre directement la structure sous-jacente à partir de simulations haute fidélité ou de données expérimentales, brisant ainsi les contraintes physiques traditionnelles. L'acquisition et la standardisation des données constituent un goulot d'étranglement clé ; le domaine de la fusion doit actuellement se rapprocher des principes FAIR (Facile à trouver, Accessible, Interopérable, Réutilisable), en utilisant des bases de données ouvertes telles que l'IMAS (Integrated Modelling & Analysis Suite) et FAIR-MAST. Les progrès récents incluent le développement de modèles multi-modaux quasi-linéaires pour les stellarators à l'aide de la DMD, ainsi que la construction de modèles d'ordre réduit gyrocinétiques non linéaires par projection POD-Galerkin.
En matière de réduction et de caractérisation des incertitudes, le livre blanc souligne l'importance de la vérification, de la validation et de la quantification des incertitudes (VVUQ) pour prédire les performances des futurs dispositifs. Grâce à des techniques de variables de contrôle telles que la méthode de Monte Carlo multi-niveaux (MLMC) et la méthode de Monte Carlo multi-fidélité (MFMC), l'utilisation de modèles basse fidélité peut considérablement réduire la variance des évaluations haute fidélité, ce qui est particulièrement efficace pour simuler des événements rares comme le transport des neutrons et des particules énergétiques. Pour le problème d'inférence par chaîne de Markov Monte Carlo (MCMC), les schémas d'acceptation différée (Delayed Acceptance) et les techniques d'assimilation de données multi-fidélité montrent un potentiel prometteur. En collaboration avec l'Université du Colorado à Boulder, Virginia Tech a déjà appliqué avec succès la quantification d'incertitudes (UQ) par grilles creuses à la construction de modèles de substitution pour la prédiction des charges thermiques sur les divertors des tokamaks.
Les méthodes numériques avancées fournissent un support sous-jacent aux cadres multi-fidélité. L'utilisation de réseaux tensoriels (Tensor Networks) pour développer des opérateurs de collision de Boltzmann permet de surmonter efficacement la malédiction de la dimensionnalité dans les modèles cinétiques haute fidélité (comme le système Vlasov-Maxwell) ; l'inspiration de la simulation des grandes échelles (LES) combinée à des termes de fermeture par apprentissage automatique offre une nouvelle approche pour la turbulence du plasma magnétisé.
En ce qui concerne la programmation différentiable, le portage de codes de calcul scientifique vers des frameworks supportant la différenciation automatique, tels que JAX ou PyTorch, permet aux solveurs d'intégrer des réseaux de neurones et de fonctionner sur GPU/TPU, obtenant ainsi directement des informations sur les gradients. Actuellement, le solveur gyrocinétique différentiable iGENE a été porté vers JAX.
Dans le domaine de la preuve formelle de correction, en utilisant des langages dédiés (DSL) et le langage de preuve Lean, les chercheurs développent des méthodes numériques pour les équations d'Euler compressibles et les équations MHD, dotées de certificats formels de correction (Formal Certificates of Correctness) en ce qui concerne la structure mathématique et les lois de conservation physique.
Pour la conception et l'optimisation des dispositifs de fusion, les méthodes multi-fidélité permettent une optimisation intégrée approfondie. Il existe un besoin urgent de schémas de couplage cœur-bordure rapides et auto-cohérents, par exemple en combinant des modèles gyrocinétiques 4D de la bordure/du divertor avec des modèles de particules neutres. Dans la fusion par confinement inertiel (ICF), des méthodes bayésiennes multi-fidélité et des modèles de substitution par apprentissage profond ont été utilisés pour optimiser la conception des cibles du National Ignition Facility (NIF). Dans la fusion par confinement magnétique, il est nécessaire d'intégrer des méthodes de Monte Carlo dans la boucle d'optimisation pour évaluer l'impact des incertitudes techniques, telles que les erreurs de fabrication et d'installation des bobines, sur les performances.
Pour les méthodes multi-fidélité orientées vers le contrôle en temps réel, étant donné la difficulté d'accès physique fréquent à l'intérieur du réacteur et la dégradation des capteurs due à l'environnement nucléaire, le futur contrôle du plasma dépendra fortement de l'estimation d'état basée sur des modèles. La commande prédictive par modèle (MPC) devient une tendance dominante, ce qui nécessite le développement de modèles d'ordre réduit non linéaires efficaces et orientés contrôle. De plus, il est nécessaire d'introduire une co-conception (Co-design) du contrôle dès les premières phases de conception, en tenant compte de la dynamique transitoire et des événements extrêmes.
En ce qui concerne l'autonomisation de la découverte scientifique, les agents d'IA basés sur de grands modèles de langage et des systèmes d'appel d'outils sont en train de remodeler les flux de travail du calcul haute performance (HPC). Les agents sont déjà capables d'effectuer de manière entièrement automatisée le déploiement et la configuration de l'environnement du code gyrocinétique GENE sur plusieurs machines HPC, et ont assisté à la refactorisation du code GENE-3D, au portage du code Gkeyll vers les GPU AMD, ainsi qu'à l'exécution entièrement automatisée d'OSIRIS sur le supercalculateur Perlmutter pour mener des recherches sur les interactions laser-plasma. L'application des agents dans le domaine de la fusion évolue d'un rôle d'assistance vers une autonomie complète.
La construction d'un jumeau numérique de la fusion centré sur la prédictivité est l'objectif à long terme de ce domaine. Cela nécessite non seulement une fusion stratégique de modèles haute et basse fidélité, mais dépend surtout d'un cadre VVUQ robuste pour établir la crédibilité des décisions basées sur la simulation. Les orientations explorées dans ce livre blanc sont en forte adéquation avec le récent « Guide de candidature aux défis scientifiques et technologiques nationaux de la mission Genesis » (Genesis Mission RFA) publié par le Département de l'Énergie des États-Unis (DOE), ainsi qu'avec la « Feuille de route pour la science et la technologie de la fusion » (FS&T Roadmap), qui identifie clairement l'IA, le calcul multi-fidélité, les jumeaux numériques et l'optimisation de la conception des installations comme des priorités pour accélérer la commercialisation de l'énergie de fusion.
