Los investigadores del Laboratorio Nacional Lawrence Livermore (LLNL) han logrado un progreso de referencia en la combinación de IA y diseño de objetivos de fusión, desplegando agentes de IA en dos de las supercomputadoras más potentes del mundo para automatizar y acelerar experimentos de fusión por confinamiento inercial (ICF).

Como parte del marco de inteligencia artificial de asistente de diseño multiagente (MADA), los científicos de LLNL y sus colaboradores combinaron modelos de lenguaje grandes (LLM) con herramientas de simulación avanzadas para interpretar indicaciones en lenguaje natural de diseñadores humanos, generando una plataforma completa de simulación física para el código multifísico 3D de próxima generación MARBL de LLNL. MARBL puede diseñar y analizar experimentos de alta densidad de energía relacionados con tareas, incluyendo ICF.

En experimentos de ICF realizados en el Dispositivo Nacional de Ignición (NIF) de LLNL, 192 haces de láser convergen en un pequeño objetivo compuesto de deuterio y tritio, desencadenando una reacción en cadena de fusión que produce energía de fusión. El equipo MADA utilizó la supercomputadora de nivel exaescala El Capitan (la más rápida del mundo, con velocidad pico de 2,79 exaFLOP) y la supercomputadora más pequeña Tuolumne para probar este sistema de IA. El marco integra un agente de diseño inverso (IDA) para diseñar nuevos objetivos ICF.

El físico de LLNL y investigador principal Jon Belof indica que el proyecto se originó en 2019, cuando el equipo se interesó en la combinación de inteligencia artificial y física de ondas de choque. Con los avances en modelos de lenguaje grandes, la idea de sistemas de IA semi-autónomos colaborando con humanos en el diseño de ICF se convirtió en el siguiente paso natural. Hoy, el equipo MADA (incluyendo colaboradores de los tres laboratorios nacionales de la Administración de Seguridad Nuclear de EE.UU.: Los Alamos y Sandia) ha transformado esta idea en un flujo de trabajo de diseño impulsado por IA complejo y ha logrado resultados.

En una demostración reciente, un LLM de código abierto afinado con documentos internos de MARBL generó exitosamente una plataforma de simulación completa a partir de bocetos de cápsulas dibujados a mano y solicitudes en lenguaje natural de diseñadores humanos, ejecutando miles de simulaciones para explorar variaciones en la geometría de cápsulas ICF y obtener diseños de objetivos novedosos.

El paradigma de diseño impulsado por IA surge en un momento clave para la investigación en fusión. Tras lograr la ignición histórica en NIF en diciembre de 2022, LLNL se enfoca en desarrollar una plataforma de ignición potente, abriendo nuevas posibilidades para aplicaciones de seguridad nacional.

Belof afirma que herramientas como MADA pueden comprimir drásticamente los ciclos de diseño, explorar vastos espacios de diseño y jugar un rol clave en la determinación de las condiciones óptimas para aumentar el rendimiento de fusión. Al combinar la perspicacia humana con la exploración impulsada por IA, LLNL espera explorar más rápido y eficientemente los principios físicos complejos de implosiones de alto beneficio. En principio, los agentes de IA pueden explorar simultáneamente cientos o miles de ideas de diseño ICF diferentes, trayendo un cambio masivo.

El núcleo del sistema MADA son sus "agentes" de IA, compuestos por LLM que pueden entender y responder al lenguaje humano y interfaces de "herramientas" que ejecutan tareas específicas de dominio. Para MADA, las herramientas de los agentes pueden generar archivos de entrada de simulación estructurados y lanzarlos en sistemas de cómputo de alto rendimiento (HPC).

Otro componente importante que soporta al agente de diseño inverso es el agente de gestión de trabajos (JMA). El IDA se encarga de la generación de diseños, mientras que el JMA impulsa la ejecución de flujos de trabajo de simulación a gran escala en supercomputadoras de LLNL, interactuando con el programador Flux y herramientas de gestión de flujos de trabajo como Merlin. El JMA asegura que los trabajos se encolen correctamente, asignen recursos y recolecten salidas de simulación de manera eficiente para análisis downstream. Estos agentes operan de manera coordinada, formando un ciclo sin fisuras entre planificación de IA y ejecución HPC.

La responsable del equipo JMA, Giselle Fernández, indica que el agente de gestión de trabajos combina IA y HPC, proporcionando ventajas clave para avanzar en una plataforma de ignición de fusión potente.

Este flujo de trabajo iterativo eleva la interactividad entre diseñadores y simulaciones a niveles sin precedentes. Los investigadores ya no necesitan codificar y lanzar trabajos individuales manualmente; ahora solo dialogan con agentes de IA para explorar en paralelo miles de variantes de diseño.

El método MADA aprovecha HPC en la supercomputadora Tuolumne de LLNL para ejecutar cómputos integrados a gran escala, típicamente realizando decenas de miles de simulaciones ICF por estudio. Estas salidas de simulación se utilizan para entrenar un modelo de aprendizaje automático llamado PROFESSOR, que proporciona retroalimentación instantánea a diseñadores explorando nuevas geometrías de cápsulas. Una vez entrenado, el modelo PROFESSOR genera historias temporales de implosión, que cambian instantáneamente cuando los diseñadores humanos alteran la geometría de entrada, siendo una herramienta poderosa para diseñadores de ICF.

Al implementar interacción en lenguaje natural, interpretación de imágenes y flujos rápidos de simulación a modelo, el proyecto MADA demuestra cómo integrar directamente la IA en flujos de trabajo científicos de alto riesgo, llevando el trabajo de diseño de seguridad nacional a una nueva era —reemplazando iteraciones manuales lentas con IA colaborativa mejorada—.

Su impacto podría ir mucho más allá de ICF. Con más sistemas de exaescala en línea, MADA proporciona un blueprint para que agentes de IA actúen como colaboradores digitales en campos desde el descubrimiento de materiales hasta la certificación de armas. Belof afirma que esto eleva la productividad humana de manera transformadora a través de IA, y el proyecto indica que apenas hemos comenzado a excavar las posibilidades; las herramientas de IA tienen el potencial de ayudar a asignar recursos óptimamente y entender los trade-offs necesarios para instalaciones de fusión mejoradas de próxima generación.

Este trabajo fue financiado por el proyecto "Simulación y Cómputo Avanzado" de la Administración Nacional de Seguridad Nuclear (NNSA) de EE.UU. Otros miembros del equipo MADA de LLNL incluyen al subinvestigador principal Charles Jackel, responsable del proyecto MARBL Rob Rieben, y a los investigadores Will Hill, Mel Shachar y Dan Steubenets. Nathan Brown del Laboratorio Nacional de Savannah River y Ismael Jibrilla Brema del Laboratorio Nacional de Los Alamos también participaron en este trabajo.