Los científicos de investigación del MIT Pablo Rodríguez-Fernández y Nathan Howard acaban de completar uno de los cálculos más exigentes en la ciencia de la fusión:predecir los perfiles de temperatura y densidad de un plasma confinado magnéticamente a través de la simulación de primeros principios de la turbulencia del plasma. Resolver este problema por la fuerza bruta está más allá de las capacidades incluso de las supercomputadoras más avanzadas. En su lugar, los investigadores utilizaron una metodología de optimización desarrollada para el aprendizaje automático a fin de reducir drásticamente el tiempo de CPU requerido y mantener la precisión de la solución.

Energía de fusión

Fusion ofrece la promesa de energía ilimitada y libre de carbono a través del mismo proceso físico que alimenta al sol y las estrellas. Requiere calentar el combustible a temperaturas superiores a los 100 millones de grados, muy por encima del punto en el que los electrones se separan de sus átomos, creando una forma de materia llamada plasma. En la Tierra, los investigadores utilizan fuertes campos magnéticos para aislar el plasma caliente de la materia ordinaria. Cuanto más fuerte sea el campo magnético, mejor será la calidad del aislamiento que proporciona.

Rodríguez-Fernández y Howard se han centrado en predecir el rendimiento esperado en el dispositivo SPARC, un experimento compacto de fusión de alto campo magnético, actualmente en construcción por la empresa derivada del MIT Commonwealth Fusion Systems (CFS) e investigadores de Plasma Science del MIT. y Centro de Fusión. Si bien el cálculo requirió una cantidad extraordinaria de tiempo de computadora, más de 8 millones de horas de CPU, lo notable no fue cuánto tiempo se usó, sino cuán poco, dado el enorme desafío computacional.

El desafío computacional de la energía de fusión

La turbulencia, que es el mecanismo de la mayor parte de la pérdida de calor en un plasma confinado, es uno de los grandes desafíos de la ciencia y el mayor problema que queda en la física clásica. Las ecuaciones que gobiernan los plasmas de fusión son bien conocidas, pero las soluciones analíticas no son posibles en los regímenes de interés, donde las no linealidades son importantes y las soluciones abarcan una enorme variedad de escalas espaciales y temporales. Los científicos recurren a resolver las ecuaciones mediante simulación numérica en computadoras. No es casualidad que los investigadores de fusión hayan sido pioneros en física computacional durante los últimos 50 años.

Uno de los problemas fundamentales para los investigadores es predecir de manera confiable la temperatura y la densidad del plasma dada solo la configuración del campo magnético y la potencia de entrada aplicada externamente. En dispositivos de confinamiento como SPARC, la energía externa y la entrada de calor del proceso de fusión se pierden a través de la turbulencia en el plasma. La turbulencia en sí es impulsada por la diferencia en la temperatura extremadamente alta del núcleo de plasma y las temperaturas relativamente frías del borde del plasma (apenas unos pocos millones de grados). Por lo tanto, predecir el rendimiento de un plasma de fusión autocalentado requiere un cálculo del equilibrio de potencia entre la entrada de potencia de fusión y las pérdidas debidas a la turbulencia.

Estos cálculos generalmente comienzan suponiendo perfiles de temperatura y densidad del plasma en una ubicación particular, y luego calculan el calor transportado localmente por la turbulencia. Sin embargo, una predicción útil requiere un cálculo autoconsistente de los perfiles en todo el plasma, que incluye tanto la entrada de calor como las pérdidas por turbulencia. Resolver directamente este problema está más allá de las capacidades de cualquier computadora existente, por lo que los investigadores han desarrollado un enfoque que une los perfiles a partir de una serie de cálculos locales exigentes pero manejables. Este método funciona, pero dado que los flujos de calor y partículas dependen de múltiples parámetros, los cálculos pueden tardar mucho en converger.

Sin embargo, las técnicas que surgen del campo del aprendizaje automático son muy adecuadas para optimizar dicho cálculo. Comenzando con un conjunto de cálculos locales computacionalmente intensivos ejecutados con el código CGYRO de principios básicos y física completa (proporcionado por un equipo de General Atomics dirigido por Jeff Candy), Rodríguez-Fernández y Howard ajustaron un modelo matemático sustituto, que se utilizó para explorar y optimizar una búsqueda dentro del espacio de parámetros. Los resultados de la optimización se compararon con los cálculos exactos en cada punto óptimo y el sistema se iteró hasta el nivel deseado de precisión. Los investigadores estiman que la técnica redujo el número de ejecuciones del código CGYRO por un factor de cuatro.

Un nuevo enfoque aumenta la confianza en las predicciones

Este trabajo, descrito en una publicación reciente en la revista Nuclear Fusion , es el cálculo de mayor fidelidad jamás realizado del núcleo de un plasma de fusión. Refina y confirma las predicciones realizadas con modelos menos exigentes. Professor Jonathan Citrin, of the Eindhoven University of Technology and leader of the fusion modeling group for DIFFER, the Dutch Institute for Fundamental Energy Research, commented:"The work significantly accelerates our capabilities in more routinely performing ultra-high-fidelity tokamak scenario prediction. This algorithm can help provide the ultimate validation test of machine design or scenario optimization carried out with faster, more reduced modeling, greatly increasing our confidence in the outcomes."

In addition to increasing confidence in the fusion performance of the SPARC experiment, this technique provides a roadmap to check and calibrate reduced physics models, which run with a small fraction of the computational power. Such models, cross-checked against the results generated from turbulence simulations, will provide a reliable prediction before each SPARC discharge, helping to guide experimental campaigns and improving the scientific exploitation of the device. It can also be used to tweak and improve even simple data-driven models, which run extremely quickly, allowing researchers to sift through enormous parameter ranges to narrow down possible experiments or possible future machines. + Explora más

Toward fusion energy, team models plasma turbulence on the nation's fastest supercomputer

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre investigación, innovación y enseñanza del MIT.