LNF: AID-DAEDALUS. : AI Driven Digital twin prototype of the TJ-II and OLMAT for Advanced Experimental Design, Analysis and Leading-edge Understanding of Stellarators physics (2025-2028)

From FusionWiki
Revision as of 15:29, 27 October 2026 by Gratta (talk | contribs) (Actualización a 27/10/2026: corregir desglose económico AEI; precisar periodo y alcance; añadir publicaciones, preprint OLMAT, congresos, formación y colaboración, distinguiendo antecedentes y trabajos complementarios.)
Jump to navigation Jump to search

LNF - Nationally funded project

Ayuda PID2024-157659OB-I00 financiada por MICIU/AEI/10.13039/501100011033 y por FEDER Una manera de hacer Europa.

Title: AID-DAEDALUS. AI Driven Digital twin prototype of the TJ-II and OLMAT for Advanced Experimental Design, Analysis and Leading-edge Understanding of Stellarators physics

Reference: PID2024-157659OB-I00

Programme and date: Plan Estatal de Investigación Científica, Técnica y de Innovación 2024-2027

Programme type (Modalidad de proyecto): Proyectos de Generación de Conocimiento 2024

Area/subarea (Área temática / subárea): Energía y transporte / Energía

Principal Investigator: Giuseppe Rattá Gutiérrez

Beneficiary institution: CIEMAT, Laboratorio Nacional de Fusión, Madrid, España

Project type: Proyecto individual

Start date and duration: 01/09/2025; 3 años (36 meses), septiembre de 2025-agosto de 2028.[1]

Financing granted: 65.000 € en total: 52.000 € de costes directos y 13.000 € de costes indirectos.[1]

Description of the project

AID-DAEDALUS desarrolla prototipos de gemelos digitales basados en inteligencia artificial para el stellarator TJ-II y la instalación OLMAT del CIEMAT. Su objetivo es construir modelos que permitan explorar escenarios experimentales, estimar señales de diagnóstico y apoyar la preparación de experimentos. El trabajo conecta el modelado del plasma de TJ-II con el análisis de los resultados de exposición de materiales en OLMAT.

El programa combina preparación de datos, aprendizaje automático y validación frente a medidas experimentales. El uso de computación de altas prestaciones, incluido Turgalium, está previsto para el entrenamiento y la evaluación de modelos. La aplicación en tiempo real es un objetivo de investigación que requiere validación específica; las publicaciones relacionadas aportan componentes y pruebas de principio hacia los prototipos.[2]

Ámbitos de trabajo

  • Datos de TJ-II: preparación, sincronización y curación de señales y parámetros para entrenar y contrastar modelos.
  • Modelos predictivos y sustitutos: estimación de densidad, emisión de impurezas y corriente toroidal; desarrollo hacia la evaluación de escenarios antes de ejecutar la descarga.
  • OLMAT: métodos de IA y análisis de imágenes para caracterizar los resultados experimentales de exposición de materiales, incluidos cráteres y grietas en tungsteno.
  • Validación y formación: evaluación de los dominios de validez de los modelos, formación de investigadores y cooperación con grupos de física, diagnóstico e inteligencia artificial.

Main results and activities: progress to 27 October 2026

El proyecto está en ejecución. Este apartado recoge avances y trabajos relacionados documentados hasta el 27 de octubre de 2026; el balance final corresponderá al informe de cierre.

Datos y modelos para TJ-II

  • Base de datos curada. La publicación sobre señales y diagnósticos de TJ-II presenta una selección de 4.800 descargas, con señales sincronizadas a 1 ms. Es la base de datos descrita en ese artículo, y debe distinguirse del archivo histórico completo de TJ-II.[3]
  • Densidad del plasma. Un trabajo conjunto con P. Aguayo, G. Farías, A. González Ganzábal y otros colaboradores estudia la estimación de densidad en TJ-II a partir de datos experimentales; se incluye la referencia completa en la bibliografía.
  • Estimación de señales. El estudio con A. Cureño-Ramírez, A. González-Ganzábal, A. Pardo y J. Calle-Cancho compara SVR, ESN, LSTM y AE-LSTM para estimar la evolución de la señal de emisión de impurezas ACTON275. El artículo reconoce explícitamente la ayuda PID2024-157659OB-I00. Constituye una prueba de principio para componentes predictivos de futuros gemelos digitales.[4]
  • Corriente toroidal. El estudio de 2026 sobre descargas TJ-II programadas con la bobina OH compara estimadores basados en programación genética y redes recurrentes. La contribución SOFT 2026 extiende la difusión hacia modelos sustitutos para la preparación del pulso. Las referencias se detallan abajo.

OLMAT: cuantificación del daño en tungsteno

El manuscrito de A. Orbañanos Fernandez, G. Rattá y colaboradores desarrolla un flujo automatizado de análisis de imágenes de microscopía electrónica de muestras expuestas en OLMAT. Combina técnicas de visión artificial y segmentación mediante aprendizaje profundo para cuantificar daño superficial, cráteres y grietas. Es una contribución a la caracterización experimental; no demuestra por sí misma un gemelo termomecánico completo ni un sistema de control en tiempo real. El texto está disponible como preprint en SSRN desde el 29 de septiembre de 2026 y se identifica como manuscrito enviado, sin aceptación de revista documentada a esta fecha.[5]

Formación asociada

El CVN del investigador principal recoge los siguientes trabajos de fin de máster de la Universidad Autónoma de Madrid, Máster en Energías y Combustibles para el Futuro, curso 2025/2026:

  • Desarrollo de un gemelo digital basado en inteligencia artificial para el stellarator TJ-II, dirigido por G. Rattá.
  • Modelado basado en inteligencia artificial para reproducir los resultados experimentales de OLMAT, codirigido con Daniel Alegre Castro.
  • Modelado basado en inteligencia artificial para reproducir los resultados experimentales de OLMAT: cráteres y grietas, codirigido con Daniel Alegre Castro.

Como antecedente formativo, el CVN registra también el TFM de Víctor Ángel Fuentes Blas, Estimación de Señales del Plasma Mediante Técnicas de Inteligencia Artificial, UAM, curso 2024/2025, y la investigación de máster de Paulo Alejandro Aguayo Vallejos con Gonzalo Farías y G. Rattá en PUCV, Estimación de señales de fusión nuclear, aplicación en TJ-II.

Dissemination: publications and conference contributions

Las referencias siguientes documentan los trabajos sobre TJ-II y OLMAT y las colaboraciones metodológicas indicadas en el CVN con A. González Ganzábal, A. Cureño-Ramírez, G. Farías, A. Pardo y J. M. Calle Cancho. Se distinguen los trabajos directamente relacionados con los dispositivos del proyecto, los complementarios sobre JET/W7-X y los antecedentes anteriores al inicio de la ayuda. La coautoría o la fecha de publicación no acreditan por sí solas financiación por AID-DAEDALUS; cuando se ha comprobado el reconocimiento explícito de la ayuda se indica en el texto.

Publicaciones sobre TJ-II

  1. G. A. Rattá, B. Ph. van Milligen, V. Á. Fuentes Blas, M. Samper, M. Jurado, A. González-Ganzábal and The TJ-II Curated Database Team. Data-Driven Estimation of Net Toroidal Plasma Current Waveforms in OH-Programmed TJ-II Discharges. Plasma 9(3), 33 (2026). DOI.
  2. A. Cureño-Ramírez, L. G. de la Fraga, G. A. Rattá, A. González-Ganzábal, A. Baciero, B. López-Miranda, B. van Milligen, A. Pardo, J. Calle-Cancho and TJ-II Team. Data-Driven estimation of experimental signals in TJ-II: A proof of principle. Fusion Engineering and Design 230, 115847 (2026). DOI.
  3. A. González Ganzábal, G. A. Rattá, T. Estrada, J. Martínez-Fernández, N. Panadero, Á. Cappa, B. López-Miranda, A. Baciero, F. Martín, D. Tafalla, B. P. van Milligen, F. Medina, Á. de la Peña and S. Dormido-Canto. A comprehensive database of TJ-II signals and diagnostics for statistically based models. Fusion Engineering and Design 224, 115613 (March 2026). DOI.
  4. P. A. Aguayo Vallejos, G. Farías, A. González Ganzábal, E. Fabregas, T. Estrada, B. P. van Milligen, A. Baciero, B. López-Miranda, F. Medina and G. A. Rattá. A data-driven approach to estimate plasma density in TJ-II stellarator. Fusion Engineering and Design 224, 115596 (March 2026). DOI.

Preprint y manuscrito enviado sobre OLMAT

  • A. Orbañanos Fernandez, G. Rattá, D. Alegre, I. Rivera, P. Fernández-Mayo, D. Tafalla, A. de Castro, L. Serrador, R. Dejarnac, J. Matejicek, E. Oyarzábal y OLMAT Team. A first deep learning framework for the post-exposure quantification of high heat flux damage in tungsten at OLMAT. SSRN, 29 de septiembre de 2026, 22 páginas. DOI del preprint. Manuscrito enviado; no se presenta como artículo de revista aceptado o publicado.

Contribuciones a congresos sobre TJ-II

  1. G. A. Rattá and collaborators, including J. M. Calle Cancho, G. Farías and P. Aguayo in the institutional dissemination record. Towards AI-based surrogate models for pulse design. Pre-pulse prediction on the TJ-II stellarator. Oral contribution, 34th Symposium on Fusion Technology (SOFT 2026), Aix-en-Provence, France, 21-25 September 2026. CIEMAT report.
  2. A. González Ganzábal, G. A. Rattá, T. Estrada, J. Martínez-Fernández, N. Panadero, Á. Cappa, B. López-Miranda, A. Baciero, F. Martín, D. Tafalla, B. P. van Milligen, F. Medina, Á. de la Peña, S. Dormido-Canto and TJ-II Team. Development of a standardised TJ-II database for Machine Learning models and applications. Poster, 25th International Stellarator-Heliotron Workshop (ISHW 2026), Córdoba, Spain, 20-24 April 2026.

Trabajos metodológicos complementarios: JET y W7-X

Los siguientes trabajos comparten investigadores y métodos de análisis de datos, pero sus dispositivos y objetivos se distinguen de los prototipos TJ-II/OLMAT.

  1. G. A. Rattá, A. González, WPTE Team and JET Contributors. Post-alarm time-to-disruption classification in disruptive JET discharges: comparison of SVM, LSTM, and transformer models. Plasma Physics and Controlled Fusion 68, 055035 (2026). DOI.
  2. A. González Ganzábal, G. A. Rattá, S. Dormido-Canto, P. Carvalho, S. Silburn, I. Coffey and I. Balboa; JET/WPTE collaboration signatures recorded in the CVN. A methodology for TIE detection and tracking for JET's experimental cameras. Fusion Engineering and Design 218, 115164 (2025). DOI.

Manuscrito de DIONE

  • A. González Ganzábal, E. Maragkoudakis, D. Carralero, T. Estrada, T. Windisch, S. Dormido-Canto, G. A. Rattá and W7-X Team. DIONE: Automating the Analysis of W7-X Doppler Reflectometry Data with neural networks. Submitted to Nuclear Fusion; acceptance pending according to the CVN dated 27 October 2026. This manuscript is distinct from the registered DIONE software.

Difusión de DIONE en congreso

  1. A. González Ganzábal, E. Maragkoudakis, D. Carralero, T. Estrada, T. Windisch, S. Dormido-Canto, G. A. Rattá and W7-X Team. DIONE: Automating the analysis of W7-X Doppler Reflectometry data with neural networks. FuseNet PhD Event 2025, ITER, Saint-Paul-lès-Durance, France, 4-6 November 2025; presented by A. González Ganzábal. Event website.

Software DIONE

DIONE (Doppler peak IdentificatiOn using NEural networks) fue desarrollado por Daniel Carralero, Alejandro González Ganzábal y Giuseppe Rattá para automatizar el análisis de reflectometría Doppler en W7-X. El CVN registra el software con el número 16/2026/3141, de 27 de abril de 2026; CIEMAT difundió su registro el 21 de mayo. Se incluye como transferencia metodológica complementaria de los colaboradores, separada del manuscrito y del trabajo específico sobre TJ-II/OLMAT.[6]

Antecedentes: publicaciones anteriores al proyecto

  1. A. González Ganzábal, G. A. Rattá, D. Gadariya, S. Dormido-Canto and JET Contributors. Advancing MARFE detection in JET's operational camera videos through Machine Learning techniques. Fusion Engineering and Design 205, 114534 (2024). DOI.
  2. G. A. Rattá, J. Vega, A. Murari, D. Gadariya, C. Stuart and G. Farías. Characterization of physics events in JET preceding disruptions. Fusion Engineering and Design 189, 113468 (2023). DOI.
  3. G. Farías, S. Dormido-Canto, J. Vega, G. Rattá and collaborators. Automatic feature extraction in large fusion databases by using deep learning approach. Fusion Engineering and Design 112, 979-983 (2016). DOI.
  4. G. A. Rattá, J. Vega, A. Pereira, A. Portas, E. de la Luna, S. Dormido-Canto, G. Farías, R. Dormido, J. Sánchez, N. Duro, H. Vargas, M. Santos, G. Pajares and A. Murari; JET-EFDA Contributors. First applications of structural pattern recognition methods to the investigation of specific physical phenomena at JET. Fusion Engineering and Design 83(2-3), 467-470 (April 2008). DOI.
  5. S. Dormido-Canto, G. Farías, R. Dormido, J. Vega, J. Sánchez, N. Duro, H. Vargas, G. Rattá, A. Pereira and A. Portas. Structural pattern recognition methods based on string comparison for fusion databases. Fusion Engineering and Design 83(2-3), 421-424 (2008). DOI.
  6. J. Vega, G. Rattá, A. Murari, P. Castro, S. Dormido-Canto, R. Dormido, G. Farías, A. Pereira, A. Portas, E. de la Luna, I. Pastor, J. Sánchez, N. Duro, R. Castro, M. Santos and H. Vargas. Recent results on structural pattern recognition for Fusion massive databases. Proceedings of IEEE WISP 2007 (conference proceedings, not a journal article). DOI.

Informe técnico

  • A. González-Ganzábal, G. A. Rattá, D. Gadariya and S. Dormido. Herramientas para la detección de MARFE en JET con cámaras operacionales. Informes Técnicos CIEMAT 1533, 1-32 (2024). This is a technical report, listed separately from peer-reviewed articles.

Congresos y reuniones anteriores al proyecto

Estos trabajos documentan la trayectoria de colaboración y los antecedentes metodológicos, con anterioridad al inicio de AID-DAEDALUS el 1 de septiembre de 2025.

  1. R. S. Granetz, G. A. Rattá, A. González and collaborators. Update on the MDC-JA-4 High-Z UFO disruptions. 44th ITPA MHD, Disruptions and Control meeting, 22-25 October 2024.
  2. G. A. Rattá and A. González. Comparison of “Classic” and “State-of-the-Art” Machine Learning Techniques to Estimate the Time to Disruption. 44th ITPA MDC meeting, 22-25 October 2024.
  3. G. A. Rattá and A. González. A data-driven disruption classifier based on signal anomalies. SOFT 2024, Dublin, Ireland, 22-27 September 2024.
  4. A. González and G. A. Rattá. A methodology for TIE detection and tracking for JET's experimental cameras. SOFT 2024, Dublin, Ireland, 22-27 September 2024.
  5. G. A. Rattá and A. González. Identification of physics events for the characterization of disruptions in JET. SOFT 2024, Dublin, Ireland, 22-27 September 2024.
  6. G. A. Rattá and A. González. Estimating Time to Disruption Using Transformer Models. Third IAEA Technical Meeting on Plasma Disruptions and their Mitigation, ITER, Saint-Paul-lès-Durance, France, 3-6 September 2024. The CVN distinguishes this slide title from the programme title, Time-to-Disruption Estimation Using LSTM Networks. Contribution record.
  7. R. S. Granetz, G. A. Rattá, A. González and collaborators. MDC-JA-4 High-Z UFO disruptions. 43rd ITPA MDC meeting, 22-26 April 2024.
  8. G. Farías, S. Dormido-Canto, J. Vega and G. Rattá. Automatic feature extraction in large fusion databases by using deep learning approach. 10th IAEA Technical Meeting on Control, Data Acquisition and Remote Participation for Fusion Research, Ahmedabad, India, 20-24 April 2015.
  9. J. Vega, A. Murari, S. Dormido-Canto, D. Alves, G. Farías, J. M. López, R. Moreno, A. Pereira, J. M. Martínez and G. Rattá. Overview of Real-Time Disruption Prediction in JET: Applicability to ITER. 41st EPS Conference on Plasma Physics, Berlin, Germany, 23-27 June 2014.
  10. J. Vega, A. Murari, G. A. Rattá, G. Farías and collaborators. An overview about recent developments on advanced data analysis techniques in fusion. 6th Workshop on Fusion Data Processing, Validation and Analysis, Madrid, Spain, January 2010.
  11. J. Vega, G. Rattá, A. Murari, G. Farías and collaborators. Recent results on structural pattern recognition for Fusion massive databases. IEEE WISP, Alcalá de Henares, Spain, 3-5 October 2007. This is the presentation associated with the proceedings paper listed above.
  12. S. Dormido-Canto, G. Farías, R. Dormido, J. Sánchez, N. Duro, H. Vargas, J. Vega, G. Rattá, A. Pereira and A. Portas. Comparison of structural pattern recognition methods for fusion databases. 6th IAEA Technical Meeting on Control, Data Acquisition and Remote Participation for Fusion Research, Inuyama, Japan, June 2007.
  13. G. A. Rattá, J. Vega, A. Pereira, A. Portas, E. de la Luna, S. Dormido-Canto, G. Farías and collaborators. First applications of structural pattern recognition methods to the investigation of specific physical phenomena at JET. 6th IAEA Technical Meeting on Control, Data Acquisition and Remote Participation for Fusion Research, Inuyama, Japan, June 2007.

International collaboration, seminars and outreach

Actividades durante el proyecto

  • 3 de septiembre de 2025, IEE-UNSJ/CONICET, San Juan, Argentina. Seminario de G. Rattá: STRANAI y AID-DAEDALUS. Investigación colaborativa en IA y fusión nuclear para impulsar la energía del futuro. Noticia de la UNSJ.
  • 16 de septiembre de 2025, CSC-CONICET, Buenos Aires, Argentina. Seminario Inteligencia artificial, fusión nuclear y supercomputación, durante la visita de investigación del 12 al 16 de septiembre. Título y fechas según CVN.
  • 1 de febrero-30 de abril de 2026, CINVESTAV, México. Estancia de investigación en el Departamento de Computación, financiada por una ayuda de movilidad Senior, sobre IA para diagnósticos de plasma y estimación de señales. Se distingue la financiación de movilidad de la ayuda de proyecto.
  • 23 de marzo de 2026, CINVESTAV. Seminario de G. Rattá sobre IA para acelerar la investigación en fusión y la colaboración CIEMAT-CINVESTAV mediante AID-DAEDALUS y STRANAI. Noticia de CIEMAT, publicada el 28 de abril de 2026 y vídeo del seminario.
  • 11 de agosto-2 de septiembre de 2026, IEE-UNSJ/CONICET. Estancia de colaboración científica relacionada con AID-DAEDALUS y STRANAI, según CVN.
  • 3-15 de septiembre de 2026, PUCV, Chile. Colaboración y supervisión de investigación sobre predicción de saltos de franja en señales de interferometría, relacionada con AID-DAEDALUS y STRANAI, según CVN.

Actividad preparatoria y cobertura institucional

  • 19 de agosto de 2025, PUCV, Valparaíso, Chile. Seminario de G. Rattá: La red STRANAI y el proyecto AID-DAEDALUS: estableciendo sinergias entre fusión nuclear e Inteligencia Artificial. Esta actividad es anterior al inicio formal de AID-DAEDALUS. Anuncio de PUCV.
  • 26 de septiembre de 2025. CIEMAT publicó una noticia de conjunto sobre las visitas a Chile y Argentina, que describe la cooperación con PUCV, IEE-UNSJ y CSC-CONICET. Noticia institucional.
  • La actividad de San Juan tuvo cobertura en Diario de Cuyo, Canal 13 San Juan y Diario El Zonda. Son noticias sobre una misma actividad, no contribuciones científicas adicionales.

Related projects and sources

References

  1. ↑ 1.0 1.1 Agencia Estatal de Investigación. Resolución de concesión de Proyectos de Generación de Conocimiento 2024, 5 de diciembre de 2025. Anexo I, entrada PID2024-157659OB-I00; anexo II, desglose económico.
  2. ↑ Agencia Estatal de Investigación. Ficha y resumen del proyecto PID2024-157659OB-I00.
  3. ↑ A. González Ganzábal et al. A comprehensive database of TJ-II signals and diagnostics for statistically based models. Fusion Engineering and Design 224, 115613 (2026).
  4. ↑ A. Cureño-Ramírez et al. Data-Driven estimation of experimental signals in TJ-II: A proof of principle. Fusion Engineering and Design 230, 115847 (2026), incluidos sus agradecimientos.
  5. ↑ A. Orbañanos Fernandez et al. A first deep learning framework for the post-exposure quantification of high heat flux damage in tungsten at OLMAT. SSRN, preprint depositado el 29 de septiembre de 2026.
  6. ↑ CIEMAT. El CIEMAT registra DIONE, un software basado en inteligencia artificial para acelerar el análisis de plasmas de fusión, 21 de mayo de 2026.

Back to list of nationally funded projects

Retrieved from "http://wiki.fusenet.eu/fusionwiki/index.php?title=LNF:_AID-DAEDALUS._:_AI_Driven_Digital_twin_prototype_of_the_TJ-II_and_OLMAT_for_Advanced_Experimental_Design,_Analysis_and_Leading-edge_Understanding_of_Stellarators_physics_(2025-2028)&oldid=8702"