Majid Rahmanov

Ik ben van mening dat ik de KIVI EngD Award verdien omdat ik een veeleisend diagnostisch fusieprobleem

probleem omgezet in een werkend softwareprototype, waarbij ik machine learning heb gekoppeld aan de beperkingen van

experimentele hardware. Bij DIFFER, in samenwerking met de Technische Universiteit Eindhoven, heb ik

verantwoordelijkheid genomen voor het technische traject, van het in kaart brengen van de behoeften van de belanghebbenden tot

de implementatie en evaluatie van GPU-reconstructie.

De uitdaging was om snel te reconstrueren waar het licht in de plasma-uitstroom van MAST-U vandaan komt

om toekomstige besturing mogelijk te maken. De bestaande iteratieve methoden van het project namen ongeveer 50 tot

80 milliseconden per frame, terwijl er slechts drie milliseconden beschikbaar waren voor de reconstructie. Ik combineerde

gekalibreerde camerageometrie met een U-Net en trainde dit model op synthetische emissiepatronen, inclusief

een controle of de gereconstrueerde kaarten de camerametingen reproduceren. Mijn bijdrage verbindt

deze modelleringsaanpak aan het genereren van data, het exporteren van modellen, benchmarking en native C++-integratie

integratie.

De resultaten tonen zowel technische vooruitgang als technisch inzicht aan. Het best beoordeelde

model bereikte een structurele gelijkenis van 0,930 op de apart gehouden synthetische gegevens. Een kleinere ontwikkelingsconfiguratie

behaalde gemiddeld 2,31 milliseconden per frame. Het A100 C++-prototype voor de volledige camera

behaalde gemiddeld 5,82 milliseconden over zes frames, waarmee native uitvoering werd gerealiseerd en tegelijkertijd de

resterende optimalisatiekloof. Ik heb deze verschillende resultaten en hun beperkingen gedocumenteerd, zodat

de verdere ontwikkeling zich kan richten op de daadwerkelijke knelpunten. Een bredere experimentele validatie en

aanhoudende prestatietests blijven noodzakelijk voordat het in live-besturing kan worden gebruikt.

Ik nam ook de verantwoordelijkheid op me voor beslissingen die verschillende disciplines met elkaar verbonden. Toen de aanvankelijke

backprojectie niet via de geselecteerde toolchain kon worden geëxporteerd, heb ik

de architectuur aan naar een ‘dense’ bewerking op de GPU en heb de daaruit voortvloeiende afwegingen tussen geheugen- en

prestatieafwegingen geëvalueerd. Ik werkte samen met wetenschappers en ingenieurs van DIFFER en mijn begeleider aan de TU/e

om de reconstructiekwaliteit, runtime-interfaces en hardwarebeperkingen op elkaar af te stemmen. Ik verwerkte

wetenschappelijke feedback van samenwerkingspartners van de UKAEA en de EPFL verwerkt. Hiervoor was het nodig om ontwerpkeuzes

tussen verschillende vakgebieden en het behouden van een gedeeld begrip van wat uit het bewijsmateriaal naar voren kwam.

De directe meerwaarde is een modulaire, gedocumenteerde reconstructiepijplijn die DIFFER kan uitbreiden

zonder het gehele ontwikkelingsproces opnieuw op te bouwen. Het potentieel op langere termijn ligt in het ondersteunen van snellere

diagnostiek van plasma-afvoer en onderzoek naar de bescherming van componenten in toekomstige fusie-installaties.

Het werk vormt een concrete technische stap in de richting van dat doel, met een duidelijk traject voor verdere

validatie.

Dit project weerspiegelt de bijdrage die ik als ingenieur wil leveren: het omzetten van geavanceerde

rekenmethoden om te zetten in bruikbare wetenschappelijke hulpmiddelen, waarbij ik de verantwoordelijkheid neem voor de implementatie en

mijn samenwerkingspartners bewijsmateriaal te bieden waarop zij kunnen voortbouwen. Het combineert praktische innovatie, een herbruikbaar

resultaat voor fusieonderzoek en samenwerking tussen de natuurkunde, software-engineering en high-performance computing