La intrincada danza de los átomos que se fusionan y liberan energía ha fascinado a los científicos durante décadas. Ahora, el ingenio humano y la inteligencia artificial se unen en el Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. (DOE) para resolver uno de los problemas más apremiantes de la humanidad:generar energía limpia y confiable a partir de la fusión del plasma.
A diferencia del código informático tradicional, el aprendizaje automático (un tipo de software de inteligencia artificial) no es simplemente una lista de instrucciones. El aprendizaje automático es un software que puede analizar datos, inferir relaciones entre características, aprender de estos nuevos conocimientos y adaptarse. Los investigadores de PPPL creen que esta capacidad de aprender y adaptarse podría mejorar su control sobre las reacciones de fusión de varias maneras. Esto incluye perfeccionar el diseño de los recipientes que rodean el plasma supercaliente, optimizar los métodos de calentamiento y mantener un control estable de la reacción durante períodos cada vez más largos.
La investigación sobre inteligencia artificial del laboratorio ya está dando resultados significativos. En un nuevo artículo publicado en Nature Communications , los investigadores de PPPL explican cómo utilizaron el aprendizaje automático para evitar perturbaciones o interrupciones magnéticas que desestabilizan el plasma de fusión.
"Los resultados son particularmente impresionantes porque pudimos lograrlos en dos tokamaks diferentes usando el mismo código", dijo el físico investigador de PPPL, SangKyeun Kim, autor principal del artículo. Un tokamak es un dispositivo con forma de donut que utiliza campos magnéticos para contener un plasma.
"Hay inestabilidades en el plasma que pueden provocar daños graves al dispositivo de fusión. No podemos tenerlas en un recipiente de fusión comercial. Nuestro trabajo avanza en el campo y muestra que la inteligencia artificial podría desempeñar un papel importante en la gestión de las reacciones de fusión en el futuro. , evitando inestabilidades y permitiendo al mismo tiempo que el plasma genere tanta energía de fusión como sea posible", afirmó Egemen Kolemen, profesor asociado en el departamento de ingeniería mecánica y aeroespacial, designado conjuntamente con el Centro Andlinger para la Energía y el Medio Ambiente y el PPPL.
Se deben tomar decisiones importantes cada milisegundo para controlar un plasma y mantener la reacción de fusión. El sistema de Kolemen puede tomar esas decisiones mucho más rápido que un humano y ajustar automáticamente la configuración del vaso de fusión para que el plasma se mantenga adecuadamente. El sistema puede predecir interrupciones, determinar qué configuraciones cambiar y luego realizar esos cambios antes de que ocurran las inestabilidades.
Kolemen señala que los resultados también son impresionantes porque, en ambos casos, el plasma estaba en modo de alto confinamiento. También conocido como modo H, esto ocurre cuando un plasma confinado magnéticamente se calienta lo suficiente como para que el confinamiento del plasma mejore repentina y significativamente, y la turbulencia en el borde del plasma desaparezca efectivamente. El modo H es el modo más difícil de estabilizar, pero también el modo que será necesario para la generación de energía comercial.
El sistema se implementó con éxito en dos tokamaks, DIII-D y KSTAR, que alcanzaron el modo H sin inestabilidades. Esta es la primera vez que los investigadores lograron esta hazaña en un entorno de reactor que es relevante para lo que se necesitará para implementar la energía de fusión a escala comercial.
PPPL tiene una historia importante en el uso de inteligencia artificial para controlar las inestabilidades. El físico investigador principal de PPPL, William Tang, y su equipo fueron los primeros en demostrar la capacidad de transferir este proceso de un tokamak a otro en 2019.
"Nuestro trabajo logró avances utilizando inteligencia artificial y aprendizaje automático junto con recursos informáticos potentes y modernos de alto rendimiento para integrar grandes cantidades de datos en milésimas de segundo y desarrollar modelos para hacer frente a eventos físicos disruptivos mucho antes de su inicio", dijo Tang. "No se pueden combatir eficazmente las perturbaciones en más de unos pocos milisegundos. Eso sería como empezar a tratar un cáncer mortal cuando ya está demasiado avanzado".
El trabajo fue detallado en un artículo publicado en Nature. en 2019. Tang y su equipo continúan trabajando en esta área, con énfasis en eliminar las interrupciones en tiempo real en los tokamaks utilizando modelos de aprendizaje automático entrenados en datos de observación debidamente verificados y validados.
Los proyectos de inteligencia artificial para la fusión de PPPL se extienden más allá de los tokamaks. El jefe de ingeniería digital de PPPL, Michael Churchill, utiliza el aprendizaje automático para mejorar el diseño de otro tipo de reactor de fusión, un estelarador. Si los tokamaks parecen donuts, los stellarators podrían verse como los buñuelos del mundo de la fusión con un diseño más complejo y retorcido.
"Necesitamos aprovechar muchos códigos diferentes cuando validamos el diseño de un stellarator.
Entonces la pregunta es:"¿Cuáles son los mejores códigos para el diseño de stellarator y las mejores formas de usarlos?", Dijo Churchill. "Es un acto de equilibrio entre el nivel de detalle de los cálculos y la rapidez con la que producen respuestas".
Las simulaciones actuales de tokamaks y stellarators se acercan a la realidad, pero aún no son gemelas. "Sabemos que nuestras simulaciones no son 100% fieles al mundo real. Muchas veces sabemos que hay deficiencias. Creemos que captura gran parte de la dinámica que se vería en una máquina de fusión, pero hay bastantes que nosotros no."
Churchill dijo que lo ideal sería un gemelo digital:un sistema con un circuito de retroalimentación entre modelos digitales simulados y datos del mundo real capturados en experimentos. "En un gemelo digital útil, esos datos físicos podrían usarse y aprovecharse para actualizar el modelo digital con el fin de predecir mejor cómo sería el rendimiento futuro".
Como era de esperar, imitar la realidad requiere una gran cantidad de código muy sofisticado. El desafío es que cuanto más complicado es el código, más tiempo suele tardar en ejecutarse. Por ejemplo, un código de uso común llamado Código girocinético incluido de X-Point (XGC) solo puede ejecutarse en supercomputadoras avanzadas y, aun así, no se ejecuta rápidamente.
"No ejecutarás XGC cada vez que ejecutes un experimento de fusión a menos que tengas una supercomputadora de exaescala dedicada. Probablemente lo hayamos ejecutado con entre 30 y 50 descargas de plasma [de los miles que hemos ejecutado]", dijo Churchill. /P>
Por eso Churchill utiliza la inteligencia artificial para acelerar diferentes códigos y el propio proceso de optimización. "Realmente nos gustaría hacer cálculos de mayor fidelidad, pero mucho más rápidos para poder optimizar rápidamente", afirmó.
Codificación para optimizar el código
De manera similar, el equipo del investigador físico Stefano Munaretto está utilizando inteligencia artificial para acelerar un código llamado HEAT, que fue desarrollado originalmente por el Laboratorio Nacional Oak Ridge del DOE y la Universidad de Tennessee-Knoxville para el tokamak NSTX-U de PPPL.
HEAT se está actualizando para que la simulación de plasma sea 3D, coincidiendo con el modelo de diseño asistido por computadora (CAD) 3D del desviador tokamak. Ubicado en la base del recipiente de fusión, el desviador extrae el calor y las cenizas generadas durante la reacción. Un modelo de plasma 3D debería mejorar la comprensión de cómo las diferentes configuraciones de plasma pueden afectar los flujos de calor o los patrones de movimiento del calor en el tokamak. Comprender el movimiento del calor para una configuración de plasma específica puede proporcionar información sobre cómo probablemente viajará el calor en una descarga futura con un plasma similar.
Al optimizar HEAT, los investigadores esperan ejecutar rápidamente el código complejo entre inyecciones de plasma, utilizando información sobre la última inyección para decidir la siguiente.
"Esto nos permitiría predecir los flujos de calor que aparecerán en el siguiente disparo y potencialmente restablecer los parámetros para el siguiente disparo para que el flujo de calor no sea demasiado intenso para el desviador", dijo Munaretto. "Este trabajo también podría ayudarnos a diseñar futuras centrales eléctricas de fusión."
La física investigadora asociada de PPPL, Doménica Corona Rivera, ha estado profundamente involucrada en el esfuerzo por optimizar HEAT. La clave es reducir una amplia gama de parámetros de entrada a solo cuatro o cinco para que el código sea ágil y al mismo tiempo altamente preciso. "Tenemos que preguntarnos:"¿Cuáles de estos parámetros son significativos y realmente afectarán el calor?", dijo Corona Rivera. Esos son los parámetros clave utilizados para entrenar el programa de aprendizaje automático.
Con el apoyo de Churchill y Munaretto, Corona Rivera ya ha reducido en gran medida el tiempo que lleva ejecutar el código para considerar el calor y, al mismo tiempo, mantiene los resultados aproximadamente en un 90% sincronizados con los de la versión original de HEAT. "Es instantáneo", dijo.
Los investigadores también están tratando de encontrar las mejores condiciones para calentar los iones en el plasma perfeccionando una técnica conocida como calentamiento por radiofrecuencia de ciclotrón de iones (ICRF). Este tipo de calentamiento se centra en calentar las partículas grandes del plasma:los iones.
El plasma tiene diferentes propiedades, como la densidad, la presión, la temperatura y la intensidad del campo magnético. Estas propiedades cambian la forma en que las ondas interactúan con las partículas de plasma y determinan las trayectorias de las ondas y las áreas donde las ondas calentarán el plasma. Cuantificar estos efectos es crucial para controlar el calentamiento por radiofrecuencia del plasma, de modo que los investigadores puedan garantizar que las ondas se muevan eficientemente a través del plasma para calentarlo en las áreas correctas.
El problema es que los códigos estándar utilizados para simular las interacciones del plasma y las ondas de radio son muy complicados y funcionan demasiado lento para usarse para tomar decisiones en tiempo real.
"El aprendizaje automático nos aporta un gran potencial para optimizar el código", afirmó Álvaro Sánchez Villar, físico investigador asociado de PPPL. "Básicamente, podemos controlar mejor el plasma porque podemos predecir cómo evolucionará y podemos corregirlo en tiempo real".
El proyecto se centra en probar diferentes tipos de aprendizaje automático para acelerar un código de física ampliamente utilizado. Sánchez Villar y su equipo mostraron múltiples versiones aceleradas del código para diferentes dispositivos de fusión y tipos de calentamiento. Los modelos pueden encontrar respuestas en microsegundos en lugar de minutos con un impacto mínimo en la precisión de los resultados. Sánchez Villar y su equipo también pudieron utilizar el aprendizaje automático para eliminar escenarios desafiantes con el código optimizado.
Sánchez Villar dice que la precisión del código, su "mayor robustez" y su aceleración lo hacen muy adecuado para el modelado integrado, en el que se utilizan muchos códigos de física juntos, y aplicaciones de control en tiempo real, que son cruciales para la investigación de la fusión.
La física investigadora principal de PPPL, Fatima Ebrahimi, es la investigadora principal de un proyecto de cuatro años para el programa de Investigación en Computación Científica Avanzada del DOE, parte de la Oficina de Ciencias, que utiliza datos experimentales de varios tokamaks, datos de simulación de plasma e inteligencia artificial para estudiar el comportamiento. del borde del plasma durante la fusión. El equipo espera que sus hallazgos revelen las formas más efectivas de confinar plasma en un tokamak a escala comercial.
Si bien el proyecto tiene múltiples objetivos, el objetivo es claro desde la perspectiva del aprendizaje automático. "Queremos explorar cómo el aprendizaje automático puede ayudarnos a aprovechar todos nuestros datos y simulaciones para que podamos cerrar las brechas tecnológicas e integrar un plasma de alto rendimiento en un sistema viable de planta de energía de fusión", dijo Ebrahimi.
Existe una gran cantidad de datos experimentales recopilados de tokamaks en todo el mundo mientras los dispositivos funcionaban en un estado libre de inestabilidades a gran escala en el borde del plasma conocidos como modos localizados en el borde (ELM). Es necesario evitar estos ELM explosivos y momentáneos porque pueden dañar los componentes internos de un tokamak, extraer impurezas de las paredes del tokamak hacia el plasma y hacer que la reacción de fusión sea menos eficiente. La pregunta es cómo lograr un estado libre de ELM en un tokamak a escala comercial, que será mucho más grande y funcionará mucho más caliente que los tokamaks experimentales actuales.
Ebrahimi y su equipo combinarán los resultados experimentales con información de simulaciones de plasma que ya han sido validadas con datos experimentales para crear una base de datos híbrida. Luego, la base de datos se utilizará para entrenar modelos de aprendizaje automático sobre la gestión del plasma, que luego se podrán utilizar para actualizar la simulación.
"Hay algunas idas y venidas entre el entrenamiento y la simulación", explicó Ebrahimi.
Al ejecutar una simulación de alta fidelidad del modelo de aprendizaje automático en supercomputadoras, los investigadores pueden formular hipótesis sobre escenarios más allá de los cubiertos por los datos existentes. Esto podría proporcionar información valiosa sobre las mejores formas de gestionar la ventaja del plasma a escala comercial.
Más información: S. K. Kim et al, Máximo rendimiento de fusión sin explosiones dañinas de energía de borde en tokamak, Nature Communications (2024). DOI:10.1038/s41467-024-48415-w
Información de la revista: Comunicaciones sobre la naturaleza , Naturaleza
Proporcionado por el Laboratorio de Física del Plasma de Princeton
