A IA de Princeton revela quais sensores de fusão não podem ver

Esse é o conceito geral por trás de uma nova IA que preenche dados ausentes sobre plasma, o combustível da fusão, de acordo com Azarakhsh Jalalvand, da Universidade de Princeton. Jalalvand é o principal autor em um artigo sobre a IA, conhecido como Diag2Diag, que foi publicado recentemente na Nature Communications. “Encontramos uma maneira de retirar os dados de vários sensores em um sistema e gerar uma versão sintética dos dados para um tipo diferente de sensor nesse sistema”, disse ele. Os dados sintéticos estão alinhados com dados do mundo real e são mais detalhados do que um sensor real poderia fornecer. Isso pode aumentar a robustez do controle, reduzindo a complexidade e o custo de futuros sistemas de fusão. “O diag2diag também pode ter aplicações em outros sistemas, como naves espaciais e cirurgia robótica, aprimorando os detalhes e recuperando dados de sensores fracassados ​​ou degradados, garantindo confiabilidade em ambientes críticos”.

A pesquisa é o resultado de uma colaboração internacional entre cientistas da Universidade de Princeton, o Laboratório de Física de Plasma do Departamento de Energia dos EUA (DOE) (PPPPL), Universidade de Chung-Ang, Universidade de Columbia e Universidade Nacional de Seul. Todos os dados do sensor utilizados na pesquisa para desenvolver a IA foram coletados a partir de experimentos na instalação nacional de fusão DIII-D, uma instalação de usuário do DOE.

A nova IA aprimora a maneira como os cientistas podem monitorar e controlar o plasma dentro de um sistema de fusão e podem ajudar a manter futuros sistemas comerciais de fusão uma fonte confiável de eletricidade. “Hoje, os dispositivos de fusão são máquinas de laboratório experimentais; portanto, se algo acontecer com um sensor, a pior coisa que pode acontecer é que perdemos o tempo antes que possamos reiniciar o experimento. Mas se estamos pensando em fusão como fonte de energia, precisa trabalhar 24 horas por dia, sete dias por semana, sem interrupção”, disse Jalalvand.

A IA pode levar a sistemas de fusão econômicos compactos

O nome diag2diag se origina da palavra “diagnóstico”, que se refere à técnica usada para analisar um plasma e inclui sensores que medem o plasma. Os diagnósticos fazem medidas em intervalos regulares, geralmente tão rápido quanto uma fração de segundo. Mas alguns não medem o plasma com frequência suficiente para detectar instabilidades de plasma particularmente em evolução: mudanças repentinas no plasma que podem dificultar a produção de energia de maneira confiável.

Existem muitos diagnósticos em um sistema de fusão que medem diferentes características do plasma. A dispersão de Thomson, por exemplo, é uma técnica de diagnóstico usada em sistemas de fusão em forma de mergulho chamados Tokamaks. O diagnóstico de espalhamento de Thomson mede a temperatura de partículas carregadas negativamente conhecidas como elétrons, bem como a densidade: o número de elétrons embalados em uma unidade de espaço. São medições rapidamente, mas não rápidas o suficiente para fornecer detalhes que os físicos de plasma precisam manter o plasma estável e no desempenho máximo.

“O diag2diag está dando um impulso ao seu diagnóstico sem gastar dinheiro com hardware”, disse Egemen Kolemen, investigador principal da pesquisa que é nomeada em conjunto no Centro de Energia Andlinger da Universidade de Princeton e do Departamento de Engenharia Mecânica e Aeroespacial.

Isso é particularmente importante para a dispersão de Thomson, porque os outros diagnósticos não podem fazer medições na borda do plasma, que também é conhecido como pedestal. É a parte mais importante do plasma para monitorar, mas é muito difícil de medir. O monitoramento cuidadosamente do pedestal ajuda os cientistas a melhorar o desempenho do plasma, para que possam aprender as melhores maneiras de obter o máximo de energia da reação de fusão com eficiência.

Para que a Fusion Energy seja uma parte importante do sistema de energia dos EUA, deve ser econômico e confiável. O cientista da PPPL Staff Research Sangkyeun Kim, que fazia parte da equipe de pesquisa Diag2Diag, disse que a IA move os EUA em direção a esses objetivos. “Os tokamaks experimentais de hoje têm muitos diagnósticos, mas futuros sistemas comerciais provavelmente precisarão ter muito menos”, disse Kim. “Isso ajudará a tornar os reatores de fusão mais compactos, minimizando os componentes não envolvidos diretamente na produção de energia”. Menos diagnósticos também libera espaço valioso dentro da máquina e simplificar o sistema também o torna mais robusto e confiável, com menos chances de erro. Além disso, reduz os custos de manutenção.

PPPL: Um líder em AI se aproxima de estabilizar o plasma de fusão

A equipe de pesquisa também descobriu que os dados da IA ​​suportam uma teoria líder sobre como funciona um método para interromper as interrupções do plasma. Os cientistas da fusão de todo o mundo estão trabalhando em maneiras de controlar os modos localizados de borda (ELMs), que são explosões de energia poderosas em reatores de fusão que podem danificar severamente as paredes internas do reator. Um método promissor para parar os ELMs envolve a aplicação de perturbações magnéticas ressonantes (RMPs): pequenas alterações feitas nos campos magnéticos usados ​​para manter um plasma dentro de um tokamak. O PPPL é líder em pesquisa de supressão de Elm, com trabalhos recentes sobre IA e abordagens tradicionais para interromper essas interrupções problemáticas. Uma teoria sugere que os RMPs criam “ilhas magnéticas” na beira do plasma. Essas ilhas fazem com que a temperatura e a densidade do plasma se achatem, o que significa que as medições eram mais uniformes na borda do plasma.

“Devido à limitação do diagnóstico de Thomson, normalmente não podemos observar esse achatamento”, disse o cientista de pesquisa principal do PPPPL Qiming Hu, que também trabalhou no projeto. “O diag2diag forneceu muito mais detalhes sobre como isso acontece e como ele evolui”.

Embora as ilhas magnéticas possam levar a ELMs, um crescente corpo de pesquisa sugere que eles também podem ser ajustados usando RMPs para melhorar a estabilidade do plasma. O diag2diag gerou dados que forneceram novas evidências desse achatamento simultâneo da temperatura e da densidade na região pedestal do plasma. Isso apóia fortemente a teoria da ilha magnética para a supressão de ELM. Compreender esse mecanismo é crucial para o desenvolvimento de reatores comerciais de fusão.

Os cientistas já estão buscando planos para expandir o escopo do diag2diag. Kolemen observou que vários pesquisadores já manifestaram interesse em tentar a IA. “O diag2diag pode ser aplicado a outros diagnósticos de fusão e é amplamente aplicável a outros campos onde os dados de diagnóstico estão ausentes ou limitados”, disse ele.

Esta pesquisa foi apoiada pelo DOE sob prêmios de-FC02-04ER54698, DE-SC0022270, DE-SC0022272, DE-SC0024527, DE-SC0020413, DE-SC0015480 e DE-SC0024626, além das fundamentos nacionais da KOREA. (MSIT). Os autores também receberam apoio financeiro do Princeton Laboratory for Artificial Intelligence sob o prêmio 2025-97.