Uma parceria público-privada entre a Commonwealth Fusion Systems (CFS), o Laboratório de Física Plasmas Princeton do Departamento de Energia dos EUA (DOE) e o Laboratório Nacional de Oak Ridge resultou em uma nova abordagem de inteligência artificial (IA) que é mais rápida em encontrar o que é conhecido como “sombras magnéticas” em um vaso de fusão: refúgios seguros protegidos do intenso calor do plasma.
Conhecida como HEAT-ML, a nova IA pode estabelecer a base para um software que acelera significativamente o design de sistemas de fusão futuros. Esse software também pode possibilitar uma tomada de decisão eficaz durante as operações de fusão, ajustando o plasma para que possíveis problemas sejam evitados antes de ocorrerem.
“Esta pesquisa mostra que é possível pegar um código existente e criar um substituto de IA que acelera sua capacidade de obter respostas úteis, e abre avenidas interessantes em termos de controle e planejamento de cenários,” disse Michael Churchill, coautor de um artigo na Fusion Engineering and Design sobre HEAT-ML e chefe da 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 aproveitá-la, os pesquisadores precisam superar desafios científicos e de engenharia cruciais. Um desses desafios é lidar com o intenso calor proveniente do plasma, que atinge temperaturas mais quentes que o núcleo do Sol quando confinado usando campos magnéticos em um vaso de fusão conhecido como tokamak. Acelerar os cálculos que preveem onde esse calor atingirá e quais partes do tokamak estarão seguras nas sombras de outras partes é fundamental para trazer a energia da fusão para a 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, física de pesquisa associada no PPPL e primeira autora do artigo sobre HEAT-ML. “A pior coisa que pode acontecer é que você tenha que interromper as operações.”
PPPL amplifica seu impacto por meio de parcerias público-privadas
O HEAT-ML foi especificamente criado para simular uma pequena parte do SPARC: um tokamak atualmente 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 um grande desafio computacional. Para dividir o desafio em algo gerenciável, a equipe se concentrou em uma seção do SPARC onde o mais intenso resfriamento do plasma se encontra com a parede de material. Esta parte em particular do tokamak, representando 15 azulejos perto da parte inferior da máquina, é o segmento do sistema de exaustão da máquina que será submetido ao calor mais intenso.
Para criar tal simulação, os pesquisadores geram o que chamam de máscaras de sombra. Máscaras de sombra são mapas 3D das sombras magnéticas, que são áreas específicas nas superfícies dos componentes internos de um sistema de fusão que estão protegidas 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 de 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 da máquina National Spherical Torus Experiment-Upgrade do PPPL.
O HEAT-ML rastreia as linhas de campo magnético a partir da superfície de um componente para verificar se a linha intercepta outras partes internas do tokamak. Se sim, essa região é marcada como “sombreada.” No entanto, rastrear essas linhas e descobrir onde elas se cruzam com 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 tempo para algumas geometrias complexas.
O HEAT-ML supera esse gargalo, acelerando os cálculos para alguns milissegundos. Ele usa uma rede neural profunda: um tipo de IA que possui camadas ocultas de operações matemáticas e parâmetros que aplica aos dados para aprender a realizar uma tarefa específica procurando padrões. A rede neural profunda do HEAT-ML foi treinada usando um banco de dados de aproximadamente 1.000 simulações do SPARC do HEAT para aprender a calcular máscaras de sombra.
O HEAT-ML está atualmente vinculado ao design específico do sistema de exaustão do SPARC; ele funciona apenas para essa pequena parte desse tokamak e é uma configuração opcional no código HEAT. No entanto, a equipe de pesquisa espera expandir suas funcionalidades para generalizar o cálculo de máscaras de sombra para sistemas de exaustão de qualquer forma e tamanho, assim como para outros componentes voltados ao plasma dentro de um tokamak.
O DOE apoiou este trabalho sob os contratos DE-AC02-09CH11466 e DE-AC05-00OR22725, e também recebeu apoio da CFS.
