Un consorcio público-privado formado por Commonwealth Fusion Systems (CFS), el Laboratorio de Física de Plasmas de Princeton (PPPL) del Departamento de Energía de Estados Unidos y el Laboratorio Nacional Oak Ridge ha desarrollado un nuevo enfoque de inteligencia artificial (IA) que mejora la identificación de lo que se conoce como «sombras magnéticas» en un recipiente de fusión. Estas sombras representan zonas seguras protegidas del intenso calor del plasma.
Conocido como HEAT-ML, este nuevo sistema de IA podría sentar las bases para un software que acelere significativamente el diseño de futuros sistemas de fusión. Además, podría facilitar una mejor toma de decisiones durante las operaciones de fusión al ajustar el plasma para evitar problemas potenciales antes de que se materialicen.
Michael Churchill, coautor de un estudio sobre HEAT-ML y director de ingeniería digital en PPPL, explicó que «esta investigación demuestra que se puede tomar un código existente y crear un sustituto de IA que agilice nuestra capacidad para obtener respuestas útiles, abriendo vías interesantes en términos de control y planificación de escenarios».
Avances en el aprovechamiento de la fusión nuclear
La fusión, el proceso que alimenta el sol y las estrellas, podría proporcionar cantidades prácticamente ilimitadas de electricidad en la Tierra. Sin embargo, los investigadores deben superar desafíos científicos y de ingeniería clave. Uno de estos desafíos es manejar el intenso calor generado por el plasma, que puede alcanzar temperaturas más altas que el núcleo del sol cuando se confina utilizando campos magnéticos en un dispositivo conocido como tokamak. Acelerar los cálculos que predicen dónde impactará este calor y qué partes del tokamak estarán seguras en las sombras de otros componentes es fundamental para llevar la energía de fusión a la red eléctrica.
Doménica Corona Rivera, física investigadora asociada en PPPL y primera autora del estudio sobre HEAT-ML, subrayó que «los componentes que enfrentan plasma del tokamak podrían entrar en contacto con un plasma extremadamente caliente, capaz de derretir o dañar estos elementos. Lo peor que podría ocurrir es que tuviéramos que detener las operaciones».
HEAT-ML fue diseñado específicamente para simular una pequeña parte de SPARC, un tokamak que actualmente se está construyendo por CFS. La empresa de Massachusetts espera demostrar una ganancia neta de energía para 2027, lo que significaría que SPARC generaría más energía de la que consume.
Simular cómo el calor impacta el interior de SPARC es central para este objetivo y presenta un gran desafío computacional. Para desglosar este reto en algo manejable, el equipo se centró en una sección de SPARC donde el calor intenso del plasma interactúa con la pared material. Esta parte del sistema de escape del tokamak, que representa 15 baldosas cerca de la parte inferior de la máquina, es la que estará expuesta a mayores temperaturas.
Los investigadores generan lo que llaman máscaras de sombra. Estas máscaras son mapas 3D de sombras magnéticas, que identifican áreas específicas en las superficies de los componentes internos de un sistema de fusión que están protegidas del calor directo. La ubicación de estas sombras depende de la forma de las partes internas del tokamak y de cómo interactúan con las líneas del campo magnético que confinan el plasma.
Originalmente, un programa informático de código abierto llamado HEAT, o Heat flux Engineering Analysis Toolkit, calculaba estas máscaras de sombra. HEAT fue creado por Tom Looby, gerente de CFS, durante su trabajo doctoral con Matt Reinke, ahora líder del equipo de diagnóstico de SPARC, y se aplicó por primera vez en el sistema de escape de la máquina National Spherical Torus Experiment-Upgrade de PPPL.
HEAT-ML traza las líneas del campo magnético desde la superficie de un componente para ver si intersectan otros componentes internos del tokamak. Si lo hacen, esa región se marca como «sombreada». Sin embargo, trazar estas líneas y encontrar dónde intersectan la compleja geometría 3D de la máquina era un cuello de botella significativo en el proceso, que podía tardar alrededor de 30 minutos para una sola simulación y aún más tiempo para geometrías complejas.
HEAT-ML supera este obstáculo, acelerando los cálculos a unos pocos milisegundos. Utiliza una red neuronal profunda: un tipo de IA que tiene capas ocultas de operaciones matemáticas y parámetros que aplica a los datos para aprender a realizar una tarea específica buscando patrones. La red neuronal de HEAT-ML fue entrenada utilizando una base de datos de aproximadamente 1,000 simulaciones de SPARC obtenidas de HEAT para aprender a calcular las máscaras de sombra.
Actualmente, HEAT-ML está vinculado al diseño específico del sistema de escape de SPARC; solo funciona para esa pequeña parte de ese tokamak y es una opción en el código de HEAT. Sin embargo, el equipo de investigación espera expandir sus capacidades para generalizar el cálculo de máscaras de sombra para sistemas de escape de cualquier forma y tamaño, así como para el resto de los componentes que enfrentan plasma dentro de un tokamak.
