Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Djupinlärningsbaserad FCS
No full textFluorescence correlation spectroscopy (FCS) is a method for statisticallyanalyzing the time correlation of fluctuations in a sample’s fluorescenceintensity. The data obtained from experiments are often noisy, and thecurrent procedure—where the final result is derived through curve fitting ofthe experimental data’s autocorrelation—does not necessarily yield the highestprecision for diffusion time and concentration, which are the key parameters ofinterest. In recent years, machine learning (ML) has been successfully appliedto a wide range of problems, particularly those involving noisy data. Thisthesis explores the potential of improving the accuracy of FCS using deepsupervised learning by training a neural network on raw data with knownparameter values. To generate sufficiently large datasets for this purpose,a large number of experiments have been simulated. The results from thetraining were then evaluated by comparing them to the traditional approachbased on autocorrelation curve fitting. Deep learning demonstrated higherprecision than curve fitting for the same measurement duration. In fact,for measurement durations around one second, curve fitting approximatelyrequired twice as long measurement time to achieve the same accuracy indetermining diffusion time as deep learning.Fluorescenskorrelations-spektroskopi är en metod för att statistiskt analysera korrelationen över tid hos fluktuationer i ett provs fluorescensintensitet. Datan som erhålls vid experimenten kan ofta vara brusig och det är inte säkert att nuvarande förfarande där slutresultatet fås genom kurvanpassning av experimentdatans autokorrelation ger högst precision på diffusionstiden och koncentrationen vilket är det som söks. Maskininlärning har på senare år kommit att användas i ett stort antal tillämpningar och nått stor framgång, speciellt på brusig data. Detta examensarbete utforskar möjligheten att genom djup vägledd inlärning förbättra noggrannheten hos FCS med att träna ett nätverk på rådatan med kända värden på proverna. För generera tillräckligt stora datamängder till detta har ett stort antal experiment simulerats. Resultatet från träningen har sedan jämförts utifrån anpassning av autokorrelationskurvan. På mättider runt en sekund visade sig djupinlärning ge högre precision än kurvanpassning på samma mättid, där det vid anpassning krävdes ungefär dubbelt så lång mättid för att nå samma noggrannhet på bestämningen av diffusionstiden som vid djupinlärning
Sekretesskyddad maskininlärning med homomorf kryptering bland flera parter
No full textIn the Internet age, with the rapid expansion of data and the widespread integration of artificial intelligence, privacy concerns have intensified and robust privacy-preserving methods are in demand. While non- cryptographic approaches provide a systematic solution to prevent privacy leakage during data mining, others continue to explore the potential of Secure Multi-Party Computation (SMPC) techniques. This thesis addresses a number of challenges in machine learning by developing a framework for privacy-preserving neural networks, using Lattice-Based Cryptography (LBC) and an established Homomorphic Encryption (HE) scheme, called Cheon-Kim-Kim-Song (CKKS). SCHEME, an innovative framework designed for real-world multi-party scenarios with resilience against future quantum computer attacks, is optimized for neural network compatibility and implements a modularized Convolutional Neural Network (CNN) for seamless integration and minimal configuration. The framework demonstrates competitive performance against state-of- the-art HE-based CNN models, and excels in runtime and memory efficiency with multi-threading support. Tested on a subset of the CIFAR-10 dataset, SCHEME achieves up to 85% end-to-end classification accuracy and high precision approximation in individual layers, validating its effectiveness for privacy-preserving image classification tasks. In additional, this work also contributes a comprehensive analysis of privacy-preserving methods, explores mechanisms for group key exchange, discusses security guarantees and evaluates framework robustness. The proposed framework shows promise for applications requiring strong data confidentiality, such as healthcare and finance. By leveraging CKKS-based LBC, this work advances scalable, secure solutions for multi-party machine learning on encrypted data, bringing privacy-preserving methods closer to practical deployment in data-sensitive applications.I Internetåldern, med den snabba expansionen av data och den utbredda integrationen av artificiell intelligens, har integritetsfrågorna intensifie- rats och robusta integritetsskyddande metoder efterfrågas. Medan icke- kryptografiska tillämpningar ger en systematisk lösning för att förhindra integritetsläckage under datautvinning, fortsätter andra att utforska po- tentialen i säker flerpartsberäkning (SMPC) -tekniker. Denna avhandling behandlar ett antal utmaningar inom maskininlärning genom att utveckla ett ramverk för integritetsskyddande neurala nätverk med hjälp av gitter- baserad kryptografi (LBC) och ett etablerat homomorf krypteringsschema (HE), kallat Cheon-Kim-Kim-Song (CKKS). Det innovativa ramverket, som är utformat för verkliga flerpartsscenarier med motståndskraft mot framtida kvantdatorattacker, är optimerat för kompatibilitet med neurala nätverk och implementerar ett modulariserat CNN (Konvolutionellt neuralt nätverk) för sömlös integration och minimal konfiguration. Ramverket uppvisar konkurrenskraftiga prestanda jämfört med topp- moderna HE-baserade CNN-modeller och utmärker sig i körtid och minneseffektivitet med stöd för flertrådning. Testat på en delmängd av CIFAR-10-datasetet uppnår SCHEME upp till 85 % end-to-end klassifice- ringsnoggrannhet och approximation med hög precision i enskilda lager, vilket validerar dess effektivitet för integritetsskyddande bildklassificerings- uppgifter. Dessutom bidrar detta arbete med en omfattande analys av integritetsbevarande metoder, utforskar mekanismer för gruppnyckelutbyte, diskuterar säkerhetsgarantier och utvärderar ramverkets robusthet. Det föreslagna ramverket är lovande för tillämpningar som kräver stark datakonfidentialitet, till exempel inom hälso- och sjukvård och finans. Genom att utnyttja CKKS-baserad LBC främjar detta arbete skalbara, säkra lösningar för maskininlärning med flera parter på krypterad data, vilket gör att integritetsbevarande metoder kommer närmare praktisk användning i datakänsliga applikationer
Flervalsinlärning i talseparering. Från många till varierande talares separation
No full textThis report deals with the speech processing source separation task and introduces Multiple Choice Learning (MCL) to tackle the assignation ambiguity between predictions and ground-truth-separated signals. This inherently ambiguous task is customarily solved using Permutation Invariant Training (PIT) which finds the best assignation at the cost of a computationally expensive procedure. I demonstrate experimentally that MCL, originally introduced to tackle ambiguous tasks, matches the performances of PIT while being computationally advantageous in many-speaker settings. The variable number of speakers separation task is another approach tackled by introducing a scoring model that helps to quantify how "relevant" a prediction is during the separation. It is shown that the scoring model allows improvements in speech separation for 2 and 3-speakers based on a 5-speaker pre-trained model. Two new metrics W_EMD and T_EMD using scores are introduced and enable a better understanding of what the different predictions contain in a variable number of speaker settings. Finally, one can observe separation improvements while using the scoring, which is not detached from the separation.Den här rapporten handlar om källseparering inom talbehandling och introducerar Multiple Choice Learning (MCL) för att hantera tvetydigheten i tilldelningen mellan prediktioner och separerade signaler från marken. Denna i sig tvetydiga uppgift löses vanligtvis med hjälp av Permutation Invariant Training (PIT) som hittar den bästa tilldelningen på bekostnad av en beräkningsmässigt dyr procedur. Jag visar experimentellt att MCL, som ursprungligen introducerades för att hantera tvetydiga uppgifter, matchar prestandan hos PIT samtidigt som det är beräkningsmässigt fördelaktigt i inställningar med många talare. Separationsuppgiften med varierande antal talare är en annan metod som hanteras genom att införa en poängmodell som hjälper till att kvantifiera hur ”relevant” en förutsägelse är under separationen. Det visas att poängmodellen ger förbättringar i talseparationen för 2- och 3-talare baserat på en förtränad modell för 5-talare. Två nya mätvärden W_EMD och T_EMD som använder poäng introduceras och ger en bättre förståelse för vad de olika förutsägelserna innehåller i ett varierande antal högtalarinställningar. Slutligen kan man observera förbättringar av separationen när man använder poängsättningen, som inte är fristående från separationen
Utveckling av instrumentprogramvara för Langmuir-sond ombord på ROMEO-satelliten
No full textThe Langmuir Probe is an instrument used to measure the physical properties of plasma. A payload consisting of two Langmuir Probes is in development by the KTH Royal Institute of Technology Division of Space and Plasma Physics. The payload is part of The Research and Observation in Medium Earth Orbit (ROMEO) space satellite mission organized by the University of Stuttgart Institute of Space Systems. To conduct medium earth orbit plasma characterization experiments payload software for controlling the bias voltage applied to the Langmuir Probes is necessary. The development of software consisting of constant and sweep bias measurement modes is described in this thesis. The payload system consists of two main components. The microcontroller will handle communication with the on-board computer. The field programmable gate array will obtain data from analog to digital converters connected to the Langmuir probes, apply filtering and decimation based on measurement parameters, and forward the data to the microcontroller. The implementation of communication protocols Space Packet Protocol and Packet Utilization Standard and the measurement parameter handling are the main tasks of this thesis. Implementation was done from institutional heritage. Reuse of mi- crocontroller code was minimal due to unique mission requirements, field programmable gate array code was updated to handle dynamic parameters for constant and sweep bias modes of Langmuir Probe current measurement. Due to time constraints, the software was partially implemented and tested for correctness. The implementation includes a Space Packet Protocol library, Packet Utilization Standard services, and constant and sweep bias measurement mode parameter handling, saving, and reading. Future work includes finishing the implementation to fulfill the software requirements and conduct full end-to-end verifcation of the payload.Langmuirsonden är ett instrument som används för att mäta plasmans fysikaliska egenskaper. En nyttolast bestående av två Langmuir-prober är under utveckling av Kungliga Tekniska högskolan Avdelning för rymd- och plasmafysik. Nyttolasten är en del av rymdsatellituppdraget ROMEO (Research and Observation in Medium Earth Orbit) som organiseras av Institutet för rymdsystem vid Stuttgarts universitet. För att genomföra plasmakarakteriseringsexperiment i medelhög omloppsbana runt jorden krävs nyttolastprogramvara för styrning av den förspänning som appliceras på Langmuir-sonderna. Utvecklingen av programvaran som består av mätlägen för konstant och svepande förspänning beskrivs i denna avhandling. Nyttolastsystemet består av två huvudkomponenter. Mikrokontrollern hanterar kommunikationen med omborddatorn. Den fältprogrammerbara grindmatrisen hämtar data från analog-till-digital-omvandlare som är anslutna till Langmuir-sonderna, tilläm- par filtrering och decimering baserat på mätparametrar och vidarebefordrar data till mikrokontrollern. Implementeringen av kommunikationsprotokollen Space Packet Protocol och Packet Utilization Standard samt hanteringen av mätparametrar är huvuduppgifterna i detta examensarbete. Implementeringen gjordes utifrån institutionella arv. Återanvändning av mikrokontrollerkod var minimal på grund av unika uppdragskrav, fältprogrammerbar gate array-kod uppdaterades för att hantera dynamiska parametrar för konstant och svepande förspänningslägen för Langmuir Probe- strömmätning. På grund av tidsbegränsningar implementerades programvaran delvis och testades för korrekthet. Implementeringen omfattar ett Space Packet Protocol- bibliotek, Packet Utilization Standard-tjänster samt parameterhantering, lagring och läsning för mätlägena konstant och svepande bias. Framtida arbete inkluderar att slutföra implementeringen för att uppfylla programvarukraven och genomföra fullständig end-to-end-verifiering av nyttolasten
En utvärdering av effektivitet och beslutskvalitet hos GIS-baserad visualisering jämfört med Excel för beslutsstöd : En närhetsbaserad nätverksanalys av relativa resekostnadsindex för bil och kollektivtrafik
No full textPublic transport planning is central to sustainable urban development and impacts accessibility, environmental quality, and equity. Effective decision-making in this domain requires extensive datasets and efficient data interpretation methods. This thesis explores the comparative effectiveness of Excel and map-based GIS interfaces and evaluates how interface design influences efficiency and accuracy in the context of macroscopic public transport planning. Two models were developed: a map-based WebGIS model and an Excel-based model with tabular data visualization. Both models implement the same data, a relational dataset from Östergötland, Sweden, incorporating origin-destination relationships with generalized travel costs, cost indices, and trip volumes. Each model allows for scenario-based analysis, where users can alter the baseline data with simple decision-making. A total of 11 interviews were conducted where participants tested both models. The interviews included 20 quantitative tasks for each model and 11 qualitative questions regarding both models. The interviews provided insights into the efficiency and accuracy of both interfaces. The results reveal that the WebGIS model generally solves tasks faster, but with less accuracy than the Excel model. The WebGIS model was 56% more efficient than the Excel model for tasks requiring comprehension of changes resulting from decision-making. It was 26 % faster for tasks requiring comprehension of data and 20 % faster when finding changes in data from decision-making. However, the WebGIS model exhibited slightly higher error rates, underscoring the trade-off between speed and accuracy in map-based interfaces. Conversely, the Excel model was 16 % faster for tasks requiring data inspection with higher accuracy. Several potential sources of error may have skewed the results. Participants were generally more familiar with Excel, giving that model an advantage. The order of tasks was always the same, meaning this advantage was even more pronounced during the initial tasks. However, the primary limitations of this study are the small sample size and the simplified nature of the tasks, which were chosen to keep the interview duration under two hours.
Transparent ITO as a Metal Stack in KTH’s FDSOI CMOS Technology
No full textTransparent electronics is an emerging field concentrating on invisible circuitry. A nearly transparent complementary metal oxide semiconductor (CMOS) technology can be a novel solution for optoelectronic and lab-on-chip applications. Indium tin oxide (ITO) is known to be electrically conductive (ρ = 100 μΩcm) [1] and optically transparent (> 85%) [2]. This study is focused on using ITO as a metal stack for fully-depleted silicon-on-insulator (FDSOI) CMOS technology. ITO is shown to meet the compatibility requirements on fabrication for CMOS technology. Annealing ITO with 5% N2/H2 at 450 ◦C for 30 seconds after deposition is shown to decrease local sheet resistance down to 5 Ω/□and improve the sheet resistance uniformity across the wafer up to 95%. Inductively-coupled plasma reactive ion etching (ICP-RIE) is selected to be the primary method to etch ITO with CH4/Cl2/H2 chemistry. A wafer with a poly-Si gate and an ITO metal layer is successfully transferred onto a glass substrate, demonstrating near transparency to visible light. An FDSOI CMOS wafer with a single 200 nm ITO metal layer is fabricated with a 25 nm active silicon device layer and a 100 nm p-type poly-Si gate. ITO to ITO contacts and ITO to gate contacts are tested with a probe station, contacts were found to have 35 Ω and 5 kΩ of resistance, respectively. The lowest subthreshold swing (SS) value was found to be 130 mV/dec and VT was higher than 1 V.Transparent elektronik är ett framväxande område som koncentrerar sig på att realisera osynliga kretsar. En nästan transparent komplementär metalloxidhalvledarteknik (CMOS) teknologi kan förbättra prestandan för optoelektroniska och lab-on-chip-applikationer. Indiumtennoxid (ITO) är elektriskt ledande (ρ 100 μΩcm) [1] och optiskt transparent (>85%) [2]. Denna studie är fokuserad på att använda ITO som en metallstack för att sammankoppla transistorer i en en helt utarmad kisel-på-isolator (FDSOI) CMOS-teknik. ITO fanns uppfylla kompatibilitetskraven för tillverkning av FDSOI CMOS . Värmebehandling av ITO med 5% N2/H2 vid 450 ◦C i 30 sekunder minskar lokalt ytresistansen till 5 Ω/□ och förbättrar uniformiteten av ytresistansen över skivan till 95%. Induktivt kopplad plasmareaktiv jonetsning (ICP-RIE) valdes som den primära metoden för att etsa ITO med en CH4/Cl2/H2-kemi. En med ett poly-Si lager och ett ITO-metallskikt överfördes framgångsrikt till ett glassubstrat med nästan full transparens för synligt ljus. En FDSOI CMOS-skiva med ett 200 nm ITO-metalllager tillverkades med ett 25 nm aktivt kisellager och en 100 nm p-typ poly-Si gate. ITO till ITO-kontakter och ITO till gate-kontakter testades elektriskt och hade 35 Ω respektive 5 kΩ resistans. Den lägsta subthreshold swing (SS) hos transistorerna var 130 mV/dec och VT var runt 1 V
Universal Access Transceiver mottagare med GPS-tidsstämpel för multilateration-applikationer
No full textTo unlock the full potential of drone technology, enabling Beyond Visual Line of Sight (BVLOS) flight is required. However, for BVLOS flight to be safely integrated with manned aircraft, a robust and reliable airspace surveillance system is required. In the United States, two radio data links are used by aircraft and ground stations to communicate important information, Automatic Dependent Surveillance‑Broadcast (ADS‑B) 1090ES, and Universal Access Transceiver (UAT). Every aircraft is required to emit on one of the two data links. Ground-based receivers can be installed to monitor these data links, and extract information, such as the position, transmitted by aircraft. If the receivers can timestamp the received message, Multilateration (MLAT) can be used to verify the accuracy of the information and increase the reliability of the surveillance. This project aims at completing the ADS‑B 1090ES MLAT offering of Involi SA, by developing a receiver with timestamping for the UAT data link. It includes both the physical hardware implementation and the Field Programmable Gate Array (FPGA) signal processing implementation of a receiver capable of demodulating UAT messages, and capable of timestamping those messages with enough accuracy using a Global Navigation Satellite System (GNSS) receiver. Testing of the final implementation showed that the receiver was able to receive messages within the specification of UAT, and was able of timestamping the received messages with enough accuracy for MLAT.För att fullt ut utnyttja potentialen hos drönarteknologi krävs möjligheten att genomföra flygningar Beyond Visual Line of Sight (BVLOS). För att BVLOS- flygningar ska kunna integreras säkert med bemannade luftfartyg krävs dock ett robust och tillförlitligt övervakningssystem för luftrummet. I USA används två radiodatakanaler av flygplan och markstationer för att kommunicera viktig information: Automatic Dependent Surveillance-Broadcast (ADS-B) 1090ES och Universal Access Transceiver (UAT). Varje flygplan är skyldigt att sända på en av dessa två datalänkar. Markbaserade mottagare kan installeras för att övervaka dessa datalänkar och extrahera information, såsom flygplanens position. Om mottagarna kan tidsstämpla de mottagna meddelandena kan Multilateration (MLAT) användas för att verifiera informationens noggrannhet och öka tillförlitligheten i övervakningen. Detta projekt syftar till att komplettera ADS-B 1090ES MLAT-utbudet från Involi SA genom att utveckla en mottagare med tidsstämpling för UAT- datalänken. Det inkluderar både den fysiska hårdvaruimplementationen och Field Programmable Gate Array (FPGA)-signalbehandlingen av en mottagare som kan demodulera UAT-meddelanden och tidsstämpla dessa med tillräcklig noggrannhet med hjälp av en Global Navigation Satellite System (GNSS)- mottagare. Tester av den slutliga implementeringen visade att mottagaren kunde ta emot meddelanden inom UAT-specifikationen och tidsstämpla de mottagna meddelandena med tillräcklig noggrannhet för MLAT
IcedHops: minska läs- och skrivlatens i en Iceberg-stödd offlinebutik för funktioner : Integrering av HopsFS och PyIceberg Python-bibliotek för att minska läs- och skrivfördröjningen i den offline-lagringen Hopsworks, med en jämförande analys av alternativa lösningar.
No full textThe growing need for efficient data management in Machine Learning (ML) workflows has led to the widespread adoption of feature stores, centralized data platforms that supports feature engineering, model training and prediction inference. The Hopsworks’ feature store has demonstrated outperformance compared to its alternatives, leveraging Apache Hudi and Spark for offline data storage, but suffers from high write and read latency, even for small quantities of data (1GB or less). This thesis explores the potential of Apache Iceberg as an alternative table format to reduce latencies, developing "IcedHops", an integration of HopsFS (Hopsworks HDFS distribution) and PyIceberg Python library. The research begin with an evaluation of potential system integration alternatives, documenting the advantages and limitations of each approach. Then, IcedHops is implemented and evaluated, benchmarking it against the existing Spark-based solution and an alternative Delta Lake implementation (delta-rs). Extensive experiments were conducted across varying table sizes and CPU configurations to assess write and read performance. Results show that IcedHops significantly reduces write latency – from 40 to 140 times lower than the legacy system – and read latency – from 55% to 60 times lower than the legacy system. Compared to delta-rs, IcedHops demonstrates reduced write latency for large tables – up to 7 times lower – and equal read latency, but exhibits lower scaling benefits with additional CPU cores – 20% less than delta-rs. These findings confirm that alternatives to Spark-based pipelines in small- scale scenarios are possible and are worth of further investigations, and the system implemented will be included in the Hopsworks feature store. Furthermore, this thesis work and results finally provides a baseline for future work about additional open table formats, alternative languages to mitigate Python’s performance overhead, and strategies to improve resource utilization in data management platforms.Det växande behovet av effektiv datahantering i arbetsflöden för maskininlär- ning (ML) har lett till en utbredd användning av feature stores – centraliserade dataplattformar som stöder feature engineering, modellträning och inferens. Hopsworks feature store har visat bättre prestanda jämfört med sina alternativ och använder Apache Hudi och Spark för offline-datalagring. Dock lider systemet av hög skriv- och läslatens, även för små datamängder (1 GB eller mindre). Denna avhandling undersöker potentialen hos Apache Iceberg som ett alternativt tabellformat och integrerar det med HopsFS (Hopsworks HDFS- distribution) samt PyIceberg Python-biblioteket för att minska latensen. Forskningen inleds med en utvärdering av potentiella systemintegrations- alternativ, där fördelar och begränsningar med varje metod dokumenteras. Därefter implementeras och utvärderas en PyIceberg-baserad arkitektur, vilken jämförs med den befintliga Spark-baserade lösningen samt en alternativ Delta Lake-implementering (delta-rs). Omfattande experiment genomfördes med varierande tabellstorlekar och CPU-konfigurationer för att bedöma skriv- och läsprestanda. Resultaten visar att PyIceberg avsevärt minskar skrivfördröjningen – från 40 till 140 gånger lägre än det äldre systemet – och läsfördröjningen – från 55% till 60 gånger lägre än det äldre systemet. Jämfört med delta-rs uppvisar PyIceberg minskad skrivfördröjning för stora tabeller – upp till sju gånger lägre – och liknande läsfördröjning, men har sämre skalningsfördelar vid ökning av CPU-kärnor (20% mindre än delta-rs). Dessa resultat bekräftar att alternativ till Spark-baserade pipelines i småskaliga scenarier är möjliga och värda ytterligare undersökningar. Det implementerade systemet kommer att integreras i Hopsworks feature store. Dessutom utgör denna avhandling en baslinje för framtida forskning kring ytterligare öppna tabellformat, alternativa programmeringsspråk för att hantera Pythons prestandabegränsningar samt strategier för att förbättra resursutnyttjandet i datahanteringsplattformar
A framework and system architecture for value-oriented digital services in data-driven production logistics
No full textDigital services play a crucial role in enhancing manufacturing competitiveness by enabling differentiation, flexibility, customisation, and improved performance through advanced technologies such as the Industrial Internet of Things and Cyber-Physical Systems. While data-driven production logistics (PL) increasingly adopts these technologies to optimise operations, challenges persist in effectively leveraging digital services to enhance performance. This study proposes a value-oriented digital service framework for data-driven PL, integrating principles of value proposition development and value creation. Complemented by a system architecture, the framework identifies the defining characteristics of value-oriented digital services and provides a blueprint for effective performance monitoring. Empirical results from a case study on material handling in commercial vehicle manufacturing demonstrate significant improvements in PL performance metrics, including enhanced on-time delivery and energy efficiency. This study offers practical guidance for managers seeking to design and implement digital services that enhance operational monitoring and decision-making in data-driven PL.QC 20250425Explainable and Learning Production & Logistics by Artificial Intelligence (EXPLAIN
Modelling the damage of metallic plasma-facing components under energetic transient events in fusion reactors
No full textMagnetic confinement fusion represents one of the most promising pathways to achieving sustainable and clean energy production. In this approach, strong magnetic fields are used to confine hot plasma within a device preventing it from coming into direct contact with the vessel walls. However, plasma-wall interactions remain an unavoidable challenge, as some heat and particles inevitably escape confinement, particularly during energetic transient events. These interactions pose a significant threat to the integrity of plasma-facing components (PFCs), which are subjected to extreme thermal and particle loads. Among the various forms of damage caused by such loads, melt damage is particularly concerning due to its potential to severely degrade the performance and longevity of PFCs. To address these challenges, the MEMOS-U physics model was developed to simulate macroscopic melt motion in fusion environments. MEMOS-U simplifies the computational heavy thermoelectric magnetohydrodynamic equations by employing the shallow water approximation, which reduces the dimensionality of the problem. MEMOS-U has been validated against a series of dedicated tokamak experiments, demonstrating its ability to capture the essential features of melt motion in fusion environments. Building on the MEMOS-U model, the MEMENTO code was developed as a modern numerical implementation designed to further enhance the predictive capabilities of melt motion simulations. MEMENTO leverages the AMReX framework to create and maintain a non-uniform, adaptive grid, enabling efficient simulations of large PFCs over long time scales. The code includes solvers for heat transfer, fluid dynamics, and current propagation, all of which are fully coupled to accurately model the interplay between thermal loading, melt motion, and electromagnetic effects. The MEMENTO code has been validated against experimental data from dedicated controlled melting experiments carried out in the ASDEX-Upgrade and WEST tokamaks. Predictive studies with MEMENTO have provided valuable insights into the potential melt damage in future tokamaks. In summary, MEMENTO represents a significant advancement in the modeling of macroscopic melt motion in fusion environments. By implementing the MEMOS-U physics model in a new code, MEMENTO provides a reliable and computationally efficient tool able to accurately predict melt damage in future reactors for regimes that could not be probed before. Magnetisk inneslutningsfusion representerar en av de mest lovande vägarna för att uppnå hållbar och ren energiproduktion. I detta tillvägagångssätt används starka magnetfält för att begränsa het plasma i en anordning som förhindrar att den kommer i direkt kontakt med kärlväggarna. Emellertid förblir plasma vägginteraktioner en oundviklig utmaning, eftersom en del värme och partiklar oundvikligen undkommer instängdhet, särskilt under energetiska övergående händelser. Dessa interaktioner utgör ett betydande problem mot integriteten hos plasmavända komponenter (PFC), som utsätts för extrema värme- och partikelbelastningar. Bland de olika former av skador som orsakas av sådana belastningar är smältskador särskilt oroande på grund av dess potential att allvarligt försämra prestandan och livslängden hos PFC. För att möta dessa utmaningar utvecklades MEMOS-U-fysikmodellen för att simulera makroskopisk smältrörelse i fusionsmiljöer. MEMOS-U förenklar de beräkningsmässiga tunga termoelektriska magnetohydrodynamiska ekvationerna genom att använda den grunt vatten approximationen, vilket minskar dimensionaliteten av problemet. MEMOS-U har validerats mot en serie dedikerade tokamak-experiment, som visar dess förmåga att fånga de väsentliga egenskaperna hos smältrörelse i fusionsmiljöer. Med utgångspunkt i MEMOS-U-modellen utvecklades MEMENTO-koden som en modern numerisk implementering utformad för att ytterligare förbättra de förutsägande kapaciteterna hos smältrörelsesimuleringar. MEMENTO utnyttjar AMReX-ramverket för att skapa och underhålla ett oenhetligt, adaptivt rutnät, vilket möjliggör effektiva simuleringar av stora PFC:er över långa tidsskalor. Koden inkluderar lösare för värmeöverföring, strömningsdynamik och strömspropagering, som alla är helt kopplade för att exakt modellera samspelet mellan termisk belastning, smältrörelse och elektromagnetiska effekter. MEMENTO-koden har validerats mot experimentella data från dedikerade kontrollerade smältexperiment utförda i ASDEX-Upgrade och WEST tokamaks. Prediktiva studier med MEMENTO har gett värdefulla insikter om potentiella smältskador i framtida tokamaks. Sammanfattningsvis representerar MEMENTO ett betydande framsteg i modelleringen av makroskopisk smältrörelse i fusionsmiljöer. Genom att implementera MEMOS-U fysikmodellen i en ny kod tillhandahåller MEMENTO ett tillförlitligt och beräknings-effektivt verktyg som kan förutsäga smältskador i framtida reaktorer för regimer som inte kunde sonderas tidigare.QC 20250411</p