Investigadores de Laboratorios Nacionales Sandia algoritmos de aprendizaje automático recientemente diseñados destinado a mejorar la producción de energía de los reactores de fusión nuclear. El equipo de investigación utilizó algoritmos de IA para simular las interacciones entre el plasma y los materiales dentro de las paredes de un reactor de fusión nuclear.
A diferencia de la fisión nuclear, que consiste en dividir átomos, la energía creada por las reacciones de fusión libera energía a través de la creación de plasma. Los átomos de hidrógeno se sobrecalientan para crear una nube de plasma y esta nube libera energía a medida que las partículas en su interior chocan entre sí y se fusionan. Este proceso es caótico, y si los científicos pueden controlar mejor el proceso de fusión, podría generar aumentos sustanciales en la cantidad de energía utilizable creada por los reactores de fusión nuclear.
Los investigadores que trabajan para resolver este problema necesitan ejecutar simulaciones complejas sobre cómo las paredes de la cámara de un reactor nuclear interactúan con la nube de plasma.
Según Aidan Thompson, los algoritmos de aprendizaje automático hicieron posible el descifrado de un problema extraordinariamente complejo. La Oficina de Ciencias del Departamento de Energía ha encargado a Thompson y otros investigadores que determinen cómo el aprendizaje automático podría mejorar la producción de energía de los reactores de fusión nuclear. Hasta ahora, no era factible realizar simulaciones a escala atómica de estas interacciones. Gracias al aprendizaje automático, ahora se pueden modelar los numerosos cambios pequeños que se producen en el plasma cuando golpea los muros de contención del reactor.
Los algoritmos de aprendizaje automático sobresalen en la búsqueda de patrones dentro de los datos, aprendiendo las diversas características que definen un objeto. Debido a que los algoritmos de aprendizaje automático pueden aplicar patrones que han visto antes para clasificar eventos no vistos, fueron útiles para eliminar gran parte del ensayo y error involucrado en la optimización del proceso de fusión. Thompson explicó que cuando se crea plasma dentro de una cámara de fusión, las paredes del reactor son golpeadas constantemente por partículas de elementos como helio, hidrógeno y deuterio, ya que estos elementos forman una nube de plasma. Cuando el plasma golpea las paredes de contención del reactor, altera las paredes de forma pequeña pero potencialmente crítica. La composición de las propias paredes altera a su vez la nube de plasma. Este ciclo de reacciones ocurre aproximadamente a las mismas temperaturas que las que se encuentran en el Sol, y duran solo nanosegundos. Optimizar este proceso implica un proceso minucioso de modificar los componentes de las paredes del reactor y luego medir directamente cómo cambiaron los resultados.
Thompson y otros investigadores se propusieron experimentar con grandes conjuntos de datos compuestos por cálculos de mecánica cuántica, entrenando un modelo que podría predecir la energía de varias configuraciones atómicas. El resultado fue el potencial interatómico de aprendizaje automático (MLIAP). Los algoritmos se pueden utilizar para examinar las interacciones entre un número relativamente pequeño de átomos, ampliando el modelo a los millones necesarios para imitar las interacciones entre los componentes del proceso de fusión. Según Thompson, los modelos que diseñó el equipo de investigación requerían miles de parámetros para ser simulaciones útiles.
Para que el modelo siga siendo útil, debe haber una superposición significativa entre los entornos que se manifiestan en la fusión y los datos de entrenamiento. Existe una amplia gama de posibles entornos de fusión, por lo que los investigadores tendrán que capturar datos constantemente y realizar modificaciones en el modelo. Thomas explicó a través de Phys.org:
“Nuestro modelo en un principio se utilizará para interpretar pequeños experimentos. Por el contrario, esos datos experimentales se usarán para validar nuestro modelo, que luego se puede usar para hacer predicciones sobre lo que está sucediendo en un reactor de fusión a gran escala”.
Los algoritmos aún no están listos para que los usen los investigadores de fusión nuclear. Sin embargo, Thompson y su equipo de investigación son el primer grupo de investigadores que intenta aplicar el aprendizaje automático al problema de la pared de plasma. El equipo espera que en unos pocos años, los modelos se utilicen para diseñar mejores reactores de fusión.