Imagine assistir a um filme favorito quando, de repente, o som para. Os dados representando o áudio estão ausentes. O que resta são apenas imagens. E se a inteligência artificial (IA) pudesse analisar cada quadro do vídeo e fornecer o áudio automaticamente com base nas imagens, lendo os lábios e notando cada vez que um pé toca o chão?
Esse é o conceito geral por trás de uma nova IA que preenche dados ausentes sobre o plasma, o combustível da fusão, segundo Azarakhsh Jalalvand da Universidade de Princeton. Jalalvand é o autor principal de um artigo sobre a IA, conhecida como Diag2Diag, que foi recentemente publicado na Nature Communications. “Encontramos uma maneira de pegar os dados de um conjunto de sensores em um sistema e gerar uma versão sintética dos dados para um tipo diferente de sensor nesse sistema,” disse ele. Os dados sintéticos se alinham com dados do mundo real e são mais detalhados do que o que um sensor real poderia fornecer. Isso poderia aumentar a robustez do controle enquanto reduz a complexidade e o custo dos futuros sistemas de fusão. “Diag2Diag também pode ter aplicações em outros sistemas, como espaçonaves e cirurgia robótica, ao aumentar o detalhe e recuperar dados de sensores falhando ou degradados, garantindo confiabilidade em ambientes críticos.”
A pesquisa é resultado de uma colaboração internacional entre cientistas da Universidade de Princeton, do Laboratório de Física do Plasma de Princeton do Departamento de Energia dos EUA (DOE), da Universidade Chung-Ang, da Universidade de Columbia e da Universidade Nacional de Seul. Todos os dados dos sensores usados na pesquisa para desenvolver a IA foram coletados a partir de experimentos no DIII-D National Fusion Facility, uma instalação do DOE.
A nova IA aprimora a forma como os cientistas podem monitorar e controlar o plasma dentro de um sistema de fusão e pode ajudar a manter os futuros sistemas de fusão comercial como uma fonte confiável de eletricidade. “Os dispositivos de fusão hoje são todos máquinas experimentais de laboratório, então se algo acontece com um sensor, a pior coisa que pode acontecer é que perdemos tempo antes de reiniciar o experimento. Mas se estamos pensando na fusão como uma fonte de energia, ela precisa funcionar 24 horas por dia, 7 dias por semana, sem interrupção,” disse Jalalvand.
A IA pode levar a sistemas de fusão compactos e econômicos
O nome Diag2Diag origina-se da palavra “diagnóstico,” que se refere à técnica usada para analisar um plasma e inclui sensores que medem o plasma. Diagnósticos fazem medições em intervalos regulares, muitas vezes com uma fração de segundo de diferença. Mas alguns não medem o plasma com frequência suficiente para detectar instabilidades no plasma que evoluem rapidamente: mudanças súbitas no plasma que podem dificultar a produção de energia de forma confiável.
Existem muitos diagnósticos em um sistema de fusão que medem diferentes características do plasma. O espalhamento Thomson, por exemplo, é uma técnica de diagnóstico usada em sistemas de fusão em forma de rosquinha chamados tokamaks. O diagnóstico de espalhamento Thomson mede a temperatura de partículas carregadas negativamente conhecidas como elétrons, bem como a densidade: o número de elétrons compactados em uma unidade de espaço. Ele faz medições rapidamente, mas não o suficiente para fornecer os detalhes que os físicos do plasma precisam para manter o plasma estável e em desempenho máximo.
“Diag2Diag é como dar um impulso aos seus diagnósticos sem gastar dinheiro com hardware,” disse Egemen Kolemen, investigador principal da pesquisa que é nomeado conjuntamente no PPPL e no Centro Andlinger de Energia e Ambiente da Universidade de Princeton e no Departamento de Engenharia Mecânica e Aeroespacial.
Isso é particularmente importante para o espalhamento Thomson porque outros diagnósticos não conseguem fazer medições na borda do plasma, conhecida como pedestal. Esta é a parte mais importante do plasma a ser monitorada, mas é muito difícil de medir. Monitorar cuidadosamente o pedestal ajuda os cientistas a melhorar o desempenho do plasma para que possam aprender as melhores maneiras de extrair a maior quantidade de energia da reação de fusão de maneira eficiente.
Para que a energia de fusão seja uma parte importante do sistema de energia dos EUA, ela deve ser econômica e confiável. O cientista de pesquisa do PPPL, SangKyeun Kim, que fez parte da equipe de pesquisa da Diag2Diag, disse que a IA move os EUA em direção a esses objetivos. “Os tokamaks experimentais de hoje têm muitos diagnósticos, mas os futuros sistemas comerciais provavelmente precisarão ter muito menos,” afirmou Kim. “Isso ajudará a tornar os reatores de fusão mais compactos, minimizando componentes que não estão diretamente envolvidos na produção de energia.” Menos diagnósticos também libera espaço valioso dentro da máquina, e simplificar o sistema o torna mais robusto e confiável, com menos chances de erro. Além disso, reduz os custos de manutenção.
PPPL: Um líder em abordagens de IA para estabilização do plasma de fusão
A equipe de pesquisa também descobriu que os dados da IA apoiam uma teoria líder sobre como um método para parar interrupções no plasma funciona. Cientistas da fusão ao redor do mundo estão trabalhando em maneiras de controlar modos localizados na borda (ELMs), que são explosões de energia poderosas em reatores de fusão que podem danificar seriamente as paredes internas do reator. Um método promissor para parar ELMs envolve a aplicação de perturbações magnéticas ressonantes (RMPs): pequenas mudanças feitas nos campos magnéticos usados para segurar um plasma dentro de um tokamak. O PPPL é um líder na pesquisa de supressão de ELMs, com artigos recentes sobre IA e abordagens tradicionais para parar essas interrupções problemáticas. Uma teoria sugere que os RMPs criam “ilhas magnéticas” na borda do plasma. Essas ilhas fazem com que a temperatura e a densidade do plasma se achatam, o que significa que as medições eram mais uniformes na borda do plasma.
“Devido à limitação do diagnóstico Thomson, normalmente não podemos observar esse achatamento,” disse Qiming Hu, cientista de pesquisa principal do PPPL, que também trabalhou no projeto. “Diag2Diag forneceu muito mais detalhes sobre como isso acontece e como evolui.”
Embora ilhas magnéticas possam levar a ELMs, um número crescente de pesquisas sugere que elas também podem ser ajustadas usando RMPs para melhorar a estabilidade do plasma. O Diag2Diag gerou dados que forneceram novas evidências desse achatamento simultâneo de temperatura e densidade na região do pedestal do plasma. Isso apoia fortemente a teoria da ilha magnética para a supressão de ELMs. Compreender esse mecanismo é crucial para o desenvolvimento de reatores de fusão comerciais.
Os cientistas já estão buscando expandir o escopo do Diag2Diag. Kolemen observou que vários pesquisadores já expressaram interesse em experimentar a IA. “Diag2Diag poderia ser aplicado a outros diagnósticos de fusão e é amplamente aplicável a outros campos onde dados de diagnóstico estão ausentes ou limitados,” disse ele.
Esta pesquisa foi apoiada pelo DOE sob os prêmios DE-FC02-04ER54698, DE-SC0022270, DE-SC0022272, DE-SC0024527, DE-SC0020413, DE-SC0015480 e DE-SC0024626, assim como pelo prêmio da National Research Foundation da Coreia RS-2024-00346024 financiado pelo governo coreano (MSIT). Os autores também receberam apoio financeiro do Princeton Laboratory for Artificial Intelligence sob o prêmio 2025-97.
