Uma parceria público-privada entre a Commonwealth Fusion Systems (CFS), o Laboratório de Física Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE) e o Laboratório Nacional de Oak Ridge levou ao desenvolvimento de uma nova abordagem de inteligência artificial (IA) chamada HEAT-ML, que é mais rápida para encontrar os chamados “sombreamentos magnéticos” em um recipiente de fusão: refúgios seguros protegidos do calor intenso do plasma.
A nova IA pode servir de base para um software que acelere significativamente o design de futuros sistemas de fusão. Tal software também pode permitir uma boa tomada de decisão durante as operações de fusão, ajustando o plasma para que potenciais problemas sejam evitados antes mesmo de ocorrerem.
“Esta pesquisa mostra que você pode pegar um código existente e criar um substituto de IA que aumentará sua capacidade de obter respostas úteis, abrindo caminhos interessantes em termos de controle e planejamento de cenários,” disse Michael Churchill, coautor de um artigo na Fusion Engineering and Design sobre o HEAT-ML e chefe de engenharia digital no PPPL.
A fusão, a reação que alimenta o sol e as estrelas, pode fornecer quantidades potencialmente ilimitadas de eletricidade na Terra. Para aproveitar essa energia, os pesquisadores precisam superar desafios científicos e de engenharia fundamentais. Um desses desafios é lidar com o intenso calor proveniente do plasma, que atinge temperaturas mais quentes do que o núcleo do sol quando confinado usando campos magnéticos em um recipiente de fusão conhecido como tokamak. Acelerar os cálculos que preveem onde esse calor irá atingir e quais partes do tokamak estarão seguras nas sombras de outras partes é fundamental para levar a energia de fusão à rede elétrica.
“Os componentes que enfrentam o plasma do tokamak podem entrar em contato com o plasma, que é muito quente e pode derreter ou danificar esses elementos,” disse Doménica Corona Rivera, uma física associada de pesquisa no PPPL e primeira autora do artigo sobre o HEAT-ML. “A pior coisa que pode acontecer é que você teria que interromper as operações.”
PPPL amplifica seu impacto através de parcerias público-privadas
O HEAT-ML foi especificamente desenvolvido para simular uma pequena parte do SPARC: um tokamak que atualmente está em construção pela CFS. A empresa de Massachusetts espera demonstrar ganho líquido de energia até 2027, o que significa que o SPARC geraria mais energia do que consome.
Simular como o calor impacta o interior do SPARC é central para esse objetivo e representa um grande desafio computacional. Para dividir o desafio em algo manejável, a equipe se concentrou em uma seção do SPARC onde o exaustão de plasma mais intenso intersecta com a parede do material. Esta parte específica do tokamak, representando 15 azulejos perto da parte inferior da máquina, é a parte do sistema de exaustão da máquina que estará sujeita ao maior calor.
Para criar tal simulação, os pesquisadores geram o que chamam de máscaras de sombra. As máscaras de sombra são mapas 3D de sombreamentos magnéticos, que são áreas específicas nas superfícies dos componentes internos de um sistema de fusão que estão protegidos do calor direto. A localização dessas sombras depende da forma das partes dentro do tokamak e de como elas interagem com as linhas de campo magnético que confinam o plasma.
Criando simulações para otimizar o funcionamento dos sistemas de fusão
Originalmente, um programa de computador de código aberto chamado HEAT, ou Heat flux Engineering Analysis Toolkit, calculava essas máscaras de sombra. O HEAT foi criado pelo gerente da CFS, Tom Looby, durante seu trabalho de doutorado com Matt Reinke, agora líder da equipe de diagnóstico do SPARC, e foi aplicado pela primeira vez no sistema de exaustão do Experimento Nacional de Toróide Esférico-Upgrade do PPPL.
O HEAT-ML rastreia as linhas de campo magnético a partir da superfície de um componente para ver se a linha intersecta outras partes internas do tokamak. Se sim, essa região é marcada como “sombreamento”. No entanto, rastrear essas linhas e encontrar onde elas intersectam a geometria 3D detalhada da máquina era um gargalo significativo no processo. Podia levar cerca de 30 minutos para uma única simulação e ainda mais para algumas geometrias complexas.
O HEAT-ML supera esse gargalo, acelerando os cálculos para alguns milissegundos. Ele utiliza uma rede neural profunda: um tipo de IA que possui camadas ocultas de operações matemáticas e parâmetros que aplica aos dados para aprender como realizar uma tarefa específica ao buscar padrões. A rede neural profunda do HEAT-ML foi treinada usando um banco de dados de aproximadamente 1.000 simulações do SPARC realizadas com o HEAT para aprender como calcular as máscaras de sombra.
Atualmente, o HEAT-ML está vinculado ao design específico do sistema de exaustão do SPARC; ele funciona apenas para essa pequena parte desse tokamak específico e é uma configuração opcional no código HEAT. No entanto, a equipe de pesquisa espera expandir suas capacidades para generalizar o cálculo de máscaras de sombra para sistemas de exaustão de qualquer forma e tamanho, assim como os demais componentes que enfrentam plasma dentro de um tokamak.
O DOE apoiou este trabalho por meio dos contratos DE-AC02-09CH11466 e DE-AC05-00OR22725, e também recebeu apoio da CFS.
