• active
• benchmark
• continual
• digital
• fusion
• learning
• machine
• nuclear
• qualikiz
• simulation
• tglf
• tokamak
• twins

[ITA]
Uno dei principali ostacoli per lo sviluppo di centrali energetiche commerciali a fusione nucleare è il fenomeno della turbolenza del plasma, che riduce significativamente i tempi di confinamento del plasma stesso. Sono stati sviluppati Digital Twins dei tokamaks basati su modelli girocinetici complessi, ma il tempo necessario per eseguire simulazioni penalizza fortemente il loro utilizzo concreto. In anni recenti, sono stati sviluppati surrogati di questi modelli basati su reti neurali, ma a causa della natura del problema, necessiterebbero di essere costantemente aggiornati, e la quantità di dati generati durante le operazioni dei reattori sarebbe ingestibile.
Questa tesi si focalizza sull'applicazione di tecniche di Continual e Active Learning su una collezione di scenari di prova derivati da dati prodotti dai simulatori semplificati QuaLiKiz e TGLF: verifichiamo le prestazioni delle principali tecniche di Continual Learning su questi scenari, dopodiché presentiamo un'integrazione di tecniche di Continual e Active Learning in un singolo flusso di lavoro. Concludiamo che queste sono metodologie efficaci per mantenere le prestazioni nel corso del tempo, allo stesso tempo riducendo significativamente la quantità di dati necessari.

[ENG]
One of the main obstacles to the development of commercially-viable nuclear fusion power generators is the phenomenon of plasma turbulence, which significantly reduce plasma itself confinement times. Digital Twins of tokamaks based on complex gyrokinetic models have been developed, but the time needed for running simulations heavily penalizes their practical use. In recent years, NN-based surrogates of those models have been developed, but due to the nature of the problem, they would need to be constantly updated, and the amount of data generated during reactor operations would be unmanageable. This thesis focuses on the application of Continual and Active Learning techniques on a collection of mock-up scenarios developed from data produced by the QuaLiKiz and TGLF reduced-order simulators: we assess the performances of the main Continual Learning techniques on these scenarios, and then we present an integration of Active and Continual Learning techniques in a single workflow. We conclude that they are effective methodologies for retaining performance across time, while at the same time significantly reduce the amount of needed data.