IA controla plasma de fusión nuclear en milisegundos

Un nuevo sistema de IA de Princeton puede controlar el plasma de fusión en milisegundos e incluso predecir inestabilidades peligrosas antes de que ocurran.

En ciertos sistemas de fusión, partículas más calientes que el núcleo del sol pueden volverse inestables en apenas unas milésimas de segundo. Ese margen es demasiado breve para que un operador humano pueda reaccionar a tiempo. Investigadores del Laboratorio de Física de Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. (DOE) y la Universidad de Princeton han desarrollado un nuevo framework de software que utiliza inteligencia artificial (IA) para tomar esas decisiones rápidas, manteniendo estrictos controles de seguridad y dejando a los humanos la responsabilidad de definir los objetivos del sistema.

El framework se denomina PACMAN (una abreviatura novedosa para Prediction And Control using MAchiNe learning). Los investigadores lo probaron con éxito en un sistema de fusión real en cinco experimentos distintos. Su diseño y los resultados iniciales se describen en un nuevo artículo publicado en la revista Nuclear Fusion.

La IA asume el desafío de los milisegundos en la fusión

La fusión tiene el potencial de proporcionar un suministro de electricidad prácticamente ilimitado. Los investigadores están explorando diversos enfoques para hacer que la fusión sea práctica en la Tierra, incluyendo máquinas conocidas como tokamaks. Estos dispositivos dependen de potentes campos magnéticos para confinar un plasma: un gas cargado eléctricamente que a menudo se denomina el cuarto estado de la materia.

Para que la fusión continúe con éxito, el plasma debe permanecer caliente, denso y estable. Esto requiere ajustes frecuentes en sistemas como el equipo de calentamiento del tokamak, los imanes y los inyectores de gas. Incluso perturbaciones relativamente pequeñas en el plasma, conocidas como inestabilidades, pueden crecer en cuestión de milisegundos y arruinar la reacción de fusión.

Predecir el comportamiento del plasma es otro desafío importante. Las simulaciones computacionales avanzadas pueden tardar días o incluso meses en completarse. Si bien esas herramientas son valiosas para planificar experimentos futuros, son demasiado lentas para guiar un experimento en tiempo real cuando la prueba completa puede durar solo unos minutos.

"Eso es excelente para preparar el próximo experimento dentro de un año, pero para el control necesitamos modelos que tomen decisiones en el momento", señaló el coautor principal Hiro Farre Kaga, estudiante de posgrado en el Programa de Física del Plasma de Princeton, un programa conjunto de la Universidad de Princeton y el PPPL. "Los modelos de machine learning pueden describir el comportamiento del plasma muy bien y, lo que es más importante, son la única forma que tenemos de modelar el plasma en tiempos de milisegundos. La velocidad de estos modelos es la clave para el control".

Integrando múltiples modelos de IA en un solo sistema de fusión

El machine learning ya ha demostrado un potencial considerable para controlar plasmas de fusión. Sin embargo, muchos esfuerzos previos se desarrollaron de forma individual, sin un framework común que facilitara la colaboración entre diferentes modelos. Los sistemas de fusión requieren múltiples modelos porque diversas partes de la máquina y del plasma deben ser monitoreadas y controladas simultáneamente.

PACMAN fue diseñado para proporcionar esa estructura compartida.

"Desarrollamos este framework para que los modelos pudieran comunicarse, los resultados de esos modelos pudieran compartirse y pudiéramos realizar física emocionante en un sistema integrado", dijo Andy Rothstein, estudiante de posgrado en el Departamento de Ingeniería Mecánica y Aeroespacial de la Universidad de Princeton y coautor principal del artículo.

El sistema combina varios modelos de machine learning en un bucle de control repetitivo que opera mucho más rápido de lo que una persona podría.

"Un operador humano muy concentrado puede reaccionar en el orden de los segundos", comentó Rothstein. "Todo el framework PACMAN generalmente se ejecuta en unos 20 milisegundos, y no se ejecuta una sola vez. Se ejecuta una y otra vez. Puede ver cosas pequeñas que suceden en el plasma y ajustarlas de una manera que un humano nunca podría hacer".

¿Cómo controla PACMAN un tokamak?

PACMAN funciona de manera similar a una línea de ensamblaje con cuatro estaciones. Comienza recolectando mediciones en vivo desde el tokamak, incluyendo temperatura, densidad y señales magnéticas. Luego, el sistema verifica esas lecturas en busca de errores y las combina en un paquete único.

Los modelos de IA seleccionan las mediciones que necesitan y las utilizan para estimar qué está haciendo el plasma actualmente o qué es probable que haga a continuación. Los controladores toman esas predicciones y determinan qué acciones son necesarias, como aumentar la potencia de un haz de calentamiento.

En la etapa final, PACMAN resuelve cualquier instrucción contradictoria de los controladores, aplica límites estrictos de seguridad de hardware y envía los comandos aprobados al tokamak. Debido a que los modelos y controladores operan de forma independiente, los científicos pueden introducir nuevos componentes sin interrumpir el resto del framework.

Pruebas de IA en una máquina de fusión real

Los investigadores demostraron la flexibilidad de PACMAN en cinco experimentos utilizando el tokamak de la Instalación Nacional de Fusión DIII-D del DOE en San Diego.

Durante esas pruebas, PACMAN logró lo siguiente:

  • Permitió que un modelo de IA, entrenado mediante un enfoque de prueba y error conocido como aprendizaje por refuerzo, tomara el control total de los sistemas de calentamiento.
  • Predijo ráfagas repentinas de energía provenientes del borde del plasma.
  • Detectó y controló ondas en el plasma impulsadas por partículas rápidas.
  • Ajustó la densidad y rotación del plasma según objetivos establecidos por los investigadores.
  • Predijo una inestabilidad llamada modo de desgarro (tearing mode) y la detuvo antes de que ocurriera.

El experimento del modo de desgarro mostró una de las ventajas potenciales más claras del sistema. Los controladores convencionales no pueden identificar esta inestabilidad hasta que ya ha comenzado.

"Luego intentan suprimirla, y eso puede conllevar una gran degradación del rendimiento", explicó Farre Kaga. "En uno de los experimentos que presentamos, un modelo de machine learning predice el modo de desgarro con unos 200 milisegundos de antelación, por lo que el plasma puede modificarse para evitarlo desde el principio".

PACMAN también pudo coordinar los seis girotrones del DIII-D (sistemas que calientan el plasma con potentes haces de microondas) al mismo tiempo. Para cumplir con objetivos complejos seleccionados de antemano por los investigadores, el framework ajustó la potencia de los girotrones mientras reposicionaba sus espejos en tiempo real.

"No existía un algoritmo para encontrar esa solución óptima antes", dijo Farre Kaga. "Cuando terminó el disparo y analizamos los datos, estaba haciendo exactamente lo que esperábamos, moviendo los seis simultáneamente de una manera óptima para alcanzar la meta".

Experimentos de fusión más rápidos con humanos en control

Rothstein señaló que uno de los resultados más sorprendentes fue la velocidad con la que PACMAN permitió introducir modelos de IA adicionales. Desarrollar el framework e instalar su primer modelo requirió meses de trabajo.

"Luego fuimos a instalar el segundo modelo y tomó un par de días. Las pruebas fueron más fáciles y hubo muchos menos errores", dijo. "El DIII-D es, ante todo, una máquina de investigación, y a veces las cosas no salen como esperabas. Si puedes implementar un modelo en una semana, puedes reentrenarlo y poner uno nuevo la semana siguiente. Permite una iteración que no era posible anteriormente".

Los investigadores enfatizan que el framework no pretende eliminar a los humanos de los experimentos de fusión. PACMAN aplica límites de seguridad de hardware independientemente de lo que recomiende un modelo de IA, y los físicos examinan los resultados después de cada experimento para que puedan refinar los controladores antes de la siguiente prueba.

"No importa cuán sofisticados sean tus controladores, al final es un operador humano quien establece los parámetros para ese control", concluyó Farre Kaga.

Una plataforma de IA flexible para futuras máquinas de fusión

La estructura modular de PACMAN podría hacerlo útil más allá del DIII-D. Sus desarrolladores creen que el framework podría adaptarse a tokamaks con diferentes formas, tamaños e instrumentos, incluyendo máquinas de fusión que se encuentran actualmente en desarrollo. Vía ScienceDaily.