Los nuevos modelos de inteligencia artificial (IA) para el calentamiento del plasma pueden hacer mucho más de lo que se pensaba anteriormente, no solo aumentando la velocidad de predicción 10 millones de veces manteniendo la precisión, sino también en los casos en los que el código numérico original no pudo predecir con precisión el calentamiento del plasma. Los modelos se presentarán en la 66ª reunión anual de la División de Física del Plasma de la Sociedad Estadounidense de Física en Atlanta el 11 de octubre.
“Con nuestra inteligencia, podemos entrenar la IA para ir más allá de los límites de los modelos numéricos disponibles”, dijo Álvaro Sánchez Villar, físico investigador asociado del Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. Sánchez-Villar es el autor principal de un nuevo artículo de revista revisado por pares. Fusión nuclear Acerca del trabajo Esto fue parte de un proyecto que abarcó cinco institutos de investigación.
Los modelos utilizan el aprendizaje automático, un tipo de IA, para intentar predecir cómo se comportan los electrones y los iones en el plasma cuando se aplica calentamiento en el rango de frecuencia del ciclotrón de iones (ICRF) en experimentos de fusión. Los modelos se entrenan con datos generados por código informático. Si bien la mayoría de los datos coincidieron con resultados anteriores, en algunos casos extremos los datos no fueron los esperados.
“Observamos un sistema paramétrico caracterizado por picos aleatorios en ubicaciones aleatorias en los perfiles de calefacción”, dijo Sánchez-Villar. “No había nada físico que explicara estos picos”.
Los nuevos modelos de inteligencia artificial (IA) para el calentamiento del plasma pueden hacer mucho más de lo que se pensaba anteriormente, no solo aumentando la velocidad de predicción 10 millones de veces manteniendo la precisión, sino también en los casos en los que el código numérico original no pudo predecir con precisión el calentamiento del plasma. Los modelos se presentarán en la 66ª reunión anual de la División de Física del Plasma de la Sociedad Estadounidense de Física en Atlanta el 11 de octubre.
“Con nuestra inteligencia, podemos entrenar la IA para ir más allá de los límites de los modelos numéricos disponibles”, dijo Álvaro Sánchez Villar, físico investigador asociado del Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. Sánchez-Villar es el autor principal de un nuevo artículo revisado por pares en Nuclear Fusion sobre el trabajo. Fue parte de un proyecto que abarcó cinco institutos de investigación.
Los modelos utilizan el aprendizaje automático, un tipo de IA, para intentar predecir cómo se comportan los electrones y los iones en el plasma cuando se aplica calentamiento en el rango de frecuencia del ciclotrón de iones (ICRF) en experimentos de fusión. Los modelos se entrenan con datos generados por código informático. Si bien la mayoría de los datos coincidieron con resultados anteriores, en algunos casos extremos los datos no fueron los esperados.
“Observamos un sistema paramétrico caracterizado por picos aleatorios en ubicaciones aleatorias en los perfiles de calefacción”, dijo Sánchez-Villar. “No había nada físico que explicara estos picos”.
“Esto significa que, en la práctica, nuestra implementación sustituta equivalía a validar el código original, basándose únicamente en una cuidadosa curación de los datos”, dijo Sánchez Villar. “Como toda tecnología, con una aplicación inteligente, la IA puede ayudarnos a resolver problemas no sólo más rápido sino mejor que nunca, y a superar nuestras propias compulsiones humanas”.
Como era de esperar, los modelos también mejoraron los tiempos de cálculo para el calentamiento ICRF. Esos tiempos se redujeron de unos 60 segundos a 2 microsegundos, lo que permitió simulaciones más rápidas sin afectar significativamente la precisión. Esta mejora ayudará a los científicos e ingenieros a encontrar mejores formas de hacer de la fusión una fuente de energía práctica.
Otros investigadores del proyecto incluyen a Xie Bai, Nicola Bertelli, E. Weiss Bethel, Julian Hillerett, Talita Persiano, Seonchi Shiraieva, Gregory M. Wallace y John C. Wright. El trabajo contó con el apoyo del Departamento de Energía de EE. UU. en virtud del contrato número DE-AC02-09CH11466. Esta investigación utilizó recursos del Centro Nacional de Computación Científica de Investigación Energética (NERSC) bajo el Contrato No. DE-AC02-05CH11231 utilizando el Premio NERSC FES m3716 para 2023.
