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)
LNF - Nationally funded project
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.
Dissemination: publications and conference contributions
Se incluyen publicaciones y actividades posteriores al inicio del proyecto, el 1 de septiembre de 2025, vinculadas a las líneas TJ-II/OLMAT. El reconocimiento explícito de la ayuda se señala cuando consta en la fuente.
Publicaciones sobre TJ-II
- 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.
- 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.
- 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.
- 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
- 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.
- 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.
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.
- 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.
Related projects and sources
- Ficha institucional de AID-DAEDALUS en CIEMAT.
- STRANAI (RED2024-153593-E), red de colaboración complementaria a la ayuda de proyecto AID-DAEDALUS.
- Noticias de STRANAI, incluidas las actividades conjuntas de difusión.
- CVN de Giuseppe Rattá Gutiérrez, actualizado el 27 de octubre de 2026: proyectos, publicaciones, congresos, formación, estancias y propiedad intelectual.
References
- ↑ 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.
- ↑ Agencia Estatal de Investigación. Ficha y resumen del proyecto PID2024-157659OB-I00.
- ↑ 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).
- ↑ 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.
- ↑ 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.