Los algoritmos de aprendizaje automático podrían aumentar el rendimiento energético de los reactores de fusión nuclear

Investigadores del Laboratorio Nacional Sandia diseñaron recientemente algoritmos de aprendizaje automático con el fin de mejorar la producción de energía de los reactores de fusión nuclear. El equipo de investigación utilizó algoritmos de inteligencia artificial 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 implica la división de átomos, la energía creada por las reacciones de fusión libera energía a través de la creación de plasma. Los átomos de hidrógeno se calientan hasta crear una nube de plasma y esta nube libera energía a medida que las partículas dentro de ella chocan entre sí y se fusionan. Este proceso es caótico, y si los científicos pueden controlar mejor el proceso de fusión, podría llevar a aumentos significativos en la cantidad de energía utilizable creada por los reactores de fusión nuclear.

Los investigadores que trabajan en 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 resolver un problema extraordinariamente complejo. Thompson y otros investigadores han sido encargados por la Oficina de Ciencia del Departamento de Energía para determinar 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, los muchos pequeños cambios en el plasma que ocurren cuando choca con las paredes de retención del reactor ahora pueden ser modelados.

Los algoritmos de aprendizaje automático excelan en encontrar 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 involucrados 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 constantemente golpeadas por partículas de elementos como helio, hidrógeno y deuterio, ya que estos elementos componen una nube de plasma. Cuando el plasma golpea las paredes de retención del reactor, altera las paredes de maneras pequeñas pero potencialmente críticas. La composición de las paredes en sí altera la nube de plasma a su vez. Este ciclo de reacciones ocurre a temperaturas aproximadamente iguales a las encontradas en el Sol, y duran solo nanosegundos. La optimización de este proceso implica un proceso laborioso de modificar componentes de las paredes del reactor y luego medir directamente cómo cambian los resultados.

Thompson y otros investigadores se propusieron experimentar con grandes conjuntos de datos compuestos por cálculos de mecánica cuántica, entrenando un modelo que pudiera predecir la energía de diversas configuraciones atómicas. El resultado fue el potencial interatómico de aprendizaje automático (MLIAP). Los algoritmos pueden ser utilizados para examinar las interacciones entre un número relativamente pequeño de átomos, escalando el modelo a los millones necesarios para imitar las interacciones entre componentes del proceso de fusión. Según Thompson, los modelos que el equipo de investigación diseñó requirieron miles de parámetros para ser simulaciones útiles.

Para que el modelo siga siendo útil, debe haber un solapamiento significativo entre los entornos que se manifiestan en la fusión y los datos de entrenamiento. Hay una amplia gama de entornos de fusión posibles, por lo que los investigadores tendrán que capturar constantemente datos y hacer alteraciones en el modelo. Thomas explicó a través de Phys.org:

“Nuestro modelo se utilizará inicialmente para interpretar experimentos pequeños. A su vez, esos datos experimentales se utilizarán para validar nuestro modelo, que luego se podrá utilizar para hacer predicciones sobre lo que está sucediendo en un reactor de fusión a gran escala”.

Los algoritmos no están listos para ser utilizados por investigadores reales de fusión nuclear todavía. Sin embargo, Thompson y su equipo de investigación son el primer grupo de investigadores en intentar aplicar el aprendizaje automático al problema de la pared de plasma. El equipo espera que en unos pocos años, los modelos estarán siendo utilizados para diseñar reactores de fusión mejores.