Recientemente, Commonwealth Fusion Systems (CFS), el Laboratorio de Física de Plasmas de Princeton (PPPL) del Departamento de Energía de EE. UU. y el Laboratorio Nacional de Oak Ridge han desarrollado, mediante colaboración público-privada, un nuevo método de inteligencia artificial (IA) llamado HEAT-ML que permite encontrar más rápidamente las “sombras magnéticas” que protegen el contenedor de las altas temperaturas del plasma en fusión nuclear, crucial para salvaguardar el interior del reactor.

Esta nueva tecnología de IA podría sentar las bases para software que acelere significativamente el diseño de futuros sistemas de fusión, tomando decisiones correctas ajustando el plasma durante la operación y previniendo problemas. El coautor Michael Churchill, en un artículo publicado en Fusion Engineering and Design, afirma que este estudio demuestra que es posible crear sustitutos de IA a partir de código existente, acelerando la obtención de respuestas útiles y abriendo nuevas vías para control y planificación de escenarios.

La fusión es la reacción que alimenta al Sol y las estrellas, con potencial para proporcionar energía ilimitada en la Tierra, pero requiere superar numerosos desafíos científicos e ingenieros. Uno de ellos es gestionar el intenso calor del plasma. Cuando el plasma está confinado por campos magnéticos en un tokamak, su temperatura supera la del núcleo solar. Acelerar los cálculos para predecir dónde impactará el calor y cuáles son las zonas seguras es clave para introducir la energía de fusión en la red eléctrica. La investigadora asociada de PPPL y primera autora Doménica Corona Rivera explica que los componentes orientados al plasma pueden fundirse o dañarse al contacto con plasma caliente, pudiendo obligar a detener la operación en el peor caso.

HEAT-ML fue creado específicamente para simular una pequeña parte del tokamak SPARC que CFS está construyendo (con objetivo de ganancia neta de energía para 2027). Simular cómo afecta el calor al interior de SPARC es esencial para alcanzar la meta de ganancia neta y representa un enorme desafío computacional. El equipo descompuso el problema centrándose en la zona de mayor descarga de calor del plasma, cerca del fondo de la máquina, que cubre 15 baldosas y es la parte más caliente del sistema de escape.

Para las simulaciones, se generan “máscaras de sombra” tridimensionales que identifican las zonas protegidas de las superficies internas. Inicialmente, el programa abierto HEAT calculaba estas máscaras, pero rastrear líneas de campo magnético e intersecciones con geometrías 3D detalladas era un cuello de botella importante, requiriendo unos 30 minutos por simulación (más en geometrías complejas).

HEAT-ML supera este cuello de botella reduciendo el tiempo a milisegundos. Utiliza redes neuronales profundas entrenadas con una base de datos de unos 1.000 simulaciones de SPARC generadas por HEAT. Actualmente, HEAT-ML está limitado al diseño específico del sistema de escape de SPARC, pero el equipo espera ampliarlo a cualquier forma y tamaño de sistemas de escape y otros componentes orientados al plasma en tokamaks.