Algoritmos de Aprendizado de Máquina Podem Aumentar a Produção de Energia de Reatores de Fusão Nuclear

Pesquisadores do Sandia National Laboratories recentemente projetaram algoritmos de aprendizado de máquina destinados a melhorar a saída de energia de reatores de fusão nuclear. A equipe de pesquisa utilizou algoritmos de IA para simular as interações entre plasma e materiais nas paredes de um reator de fusão nuclear.

Ao contrário da fissão nuclear, que envolve a divisão de átomos, a energia criada pelas reações de fusão libera energia através da criação de plasma. Átomos de hidrogênio são superaquecidos para criar uma nuvem de plasma e essa nuvem libera energia à medida que as partículas dentro dela colidem umas com as outras e se fundem. Esse processo é caótico, e se os cientistas puderem controlar melhor o processo de fusão, isso poderia levar a aumentos substanciais na quantidade de energia utilizável criada por reatores de fusão nuclear.

Pesquisadores que trabalham para resolver esse problema precisam executar simulações complexas sobre como as paredes da câmara de um reator nuclear interagem com a nuvem de plasma.

De acordo com Aidan Thompson, os algoritmos de aprendizado de máquina tornaram possível resolver um problema extraordinariamente complexo. Thompson e outros pesquisadores foram encarregados pelo Departamento de Energia Office of Science para determinar como o aprendizado de máquina pode melhorar a saída de energia de reatores de fusão nuclear. Até agora, não era viável realizar simulações em escala atômica dessas interações. Graças ao aprendizado de máquina, as muitas pequenas alterações no plasma que ocorrem quando ele atinge as paredes de retenção do reator agora podem ser modeladas.

Os algoritmos de aprendizado de máquina são excelentes em encontrar padrões dentro dos dados, aprendendo as várias características que definem um objeto. Porque os algoritmos de aprendizado de máquina podem aplicar padrões que eles viram antes para classificar eventos não vistos, eles foram úteis para eliminar grande parte do erro e acerto envolvido no processo de otimização da fusão. Thompson explicou que, quando o plasma é criado dentro de uma câmara de fusão, as paredes do reator são constantemente atingidas por partículas de elementos como hélio, hidrogênio e deutério, pois esses elementos compõem uma nuvem de plasma. Quando o plasma atinge as paredes de retenção do reator, ele altera as paredes de maneiras pequenas, mas potencialmente críticas. A composição das próprias paredes altera a nuvem de plasma em troca. Esse ciclo de reações ocorre a temperaturas aproximadamente iguais às encontradas no Sol e dura apenas nanossegundos. Otimizar esse processo envolve um processo tedioso de modificar componentes das paredes do reator e, em seguida, medir diretamente como os resultados mudaram.

Thompson e outros pesquisadores se propuseram a experimentar com grandes conjuntos de dados compostos por cálculos de mecânica quântica, treinando um modelo que pudesse prever a energia de várias configurações atômicas. O resultado foi o potencial interatômico de aprendizado de máquina (MLIAP). Os algoritmos podem ser usados para examinar as interações entre um número relativamente pequeno de átomos, escalando o modelo para os milhões necessários para imitar as interações entre componentes do processo de fusão. De acordo com Thompson, os modelos que a equipe de pesquisa projetou exigiam milhares de parâmetros para serem simulações úteis.

Para que o modelo permaneça útil, deve haver uma sobreposição significativa entre os ambientes que se manifestam na fusão e os dados de treinamento. Há uma ampla gama de ambientes de fusão possíveis, então os pesquisadores terão que capturar constantemente dados e fazer alterações no modelo. Thomas explicou via Phys.org:

“Nossa modelo, inicialmente, será usado para interpretar pequenos experimentos. Inversamente, esses dados experimentais serão usados para validar nosso modelo, que pode, então, ser usado para fazer previsões sobre o que está acontecendo em um reator de fusão em escala total.”

Os algoritmos ainda não estão prontos para serem usados por pesquisadores reais de fusão nuclear. No entanto, Thompson e sua equipe de pesquisa são o primeiro grupo de pesquisadores a tentar aplicar o aprendizado de máquina ao problema da parede do plasma. A equipe espera que, em alguns anos, os modelos estarão sendo usados para projetar reatores de fusão melhores.