La búsqueda de la fusión nuclear como fuente de energía ha sido una odisea llena de desafíos técnicos, avances científicos y promesas de una revolución energética.
La investigación en fusión nuclear ha avanzado significativamente, con mejoras en la tecnología de confinamiento magnético, el descubrimiento de nuevos materiales y la mejora en los métodos de calentamiento del plasma. Sin embargo, la fusión nuclear todavía enfrenta desafíos, lograr que las reacciones sean autosostenibles y obtener más energía de la que se consume.
Calentar una mezcla de isótopos de hidrógeno a más de 150 millones de grados Fahrenheit (100 millones de grados Celsius) con varios cientos de rayos láser es algo dentro de todo fácil. Mantener estable el plasma resultante es los que por ahora es un reto par el planeta tierra. El récord actual por mantener las condiciones óptimas para la fusión nuclear es de solo 30 segundos. Nunca se logro algo mayor a un segundo…
Esto se logro gracias al aprendizaje por refuerzo profundo, un subaspecto del aprendizaje automático, se ha desarrollado y probado un método que puede ayudar a la estabilidad del plasma.
Que es aprendizaje por refuerzo profundo
El aprendizaje por refuerzo profundo (Deep Reinforcement Learning, DRL) es una combinación de aprendizaje por refuerzo (Reinforcement Learning, RL) y redes neuronales profundas (Deep Neural Networks, DNN). Esta técnica de aprendizaje automático permite a los agentes aprender a tomar decisiones óptimas en entornos complejos y dinámicos mediante la interacción directa con el entorno, sin necesidad de datos etiquetados previamente.
En el aprendizaje por refuerzo, un agente aprende a realizar tareas mediante el ensayo y error, recibiendo recompensas o penalizaciones (refuerzos) basadas en las acciones que realiza. El objetivo del agente es maximizar la suma total de las recompensas recibidas. Esto se logra desarrollando una estrategia, conocida como política, que le dice al agente qué acción tomar en cada estado del entorno.
Al integrar las redes neuronales profundas, el aprendizaje por refuerzo profundo extiende la capacidad del agente para manejar situaciones con altos grados de complejidad y datos de alta dimensión, como imágenes y sonidos, que son comunes en aplicaciones del mundo real. Las redes neuronales profundas ayudan al agente a interpretar estos datos complejos para tomar decisiones más informadas.
El proyecto de fusión nuclear
Todo esto lo logro un equipo de la Universidad de Princeton y la Universidad Chung-Ang de Seúl utilizó un haz adicional de rayos láser y un ciclotrón, es decir, un acelerador de partículas compacto con un fuerte campo magnético, para mantener el plasma en el entorno deseado.
Dado el exceso de variables que imposibilitan un cálculo preciso de la interacción y el efecto de ambos instrumentos, la inteligencia artificial, que se ha preparado específicamente para esta función, toma protagonismo.
De esta forma, el sistema logró prevenir una parada en el flujo de plasma dentro del reactor DIII-D, el más grande de Estados Unidos. El circuito, que está controlado por la IA, tiene solo 25 milisegundos entre dos mediciones, algo que parece ser esta manejando a la perfección.
Sin embargo, la tecnología aún se encuentra en fase experimental y se necesitan más pruebas y mejoras antes de que pueda utilizarse finalmente en el ITER, el primer reactor de fusión con un balance energético positivo actualmente en construcción.
Fuente: Nature