IA y Fusión Nuclear – Usando una Tecnología Disruptiva para Avanzar la Otra

 La inteligencia artificial es uno de los principales avances tecnológicos de la última década, transformando industrias en todos los ámbitos. Apenas hay un sector donde su impacto no se sienta, incluida la fusión nuclear, una tecnología tan disruptiva como la propia IA.

Alabada como una fuente casi ilimitada de energía limpia, la fusión nuclear es una fuente de energía prometedora que puede resultar revolucionaria. 

Entre sus numerosos beneficios se incluyen combustible abundante, eficiencia energética, mínimas emisiones de gases de efecto invernadero, fiabilidad, seguridad intrínseca y sostenibilidad. Sin embargo, todavía está en fase experimental.

Esto a pesar de que un récord de energía de fusión nuclear se logró este año cuando un equipo de científicos e ingenieros mantuvo 69 megajulios de energía de fusión durante 5 segundos usando solo 0.2 miligramos de combustible. Aunque esta energía es suficiente para alimentar aproximadamente 12,000 hogares durante ese tiempo, aún requiere más energía de entrada de la que genera. 

Hasta ahora, los científicos solo han podido mantener la fusión durante unos segundos. Sin embargo, las cosas podrían estar a punto de cambiar gracias a la IA.

Los continuos avances en IA en los últimos años no solo la han convertido en parte de nuestra vida diaria, sino que también la han vuelto crucial para lograr avances científicos. Ahora se está explorando activamente la IA para mejorar la fusión nuclear de varias maneras. 

Desde controlar las reacciones de fusión prediciendo y previniendo inestabilidades en tiempo real hasta analizar diseños de reactores para encontrar los mejores, mantener un control estable de las reacciones de fusión durante períodos más largos, e incluso reducir el tiempo y el costo del análisis de diseños de reactores y la predicción de cambios en el plasma, el papel de la IA en la fusión nuclear está creciendo rápidamente.  

Aunque generar energía a gran escala a partir de la fusión nuclear puede no ser posible antes de alrededor de 2050, la IA sin duda ha surgido como una herramienta prometedora para acelerar este proceso.

Steven Cowley, profesor de ciencias astrofísicas y director del laboratorio del Laboratorio de Física de Plasmas de Princeton (PPPL) del Departamento de Energía, cree:

“La fusión podría resultar ser la “aplicación estrella” de la IA.”

El controlador de IA pudo predecir posibles desgarros del plasma con hasta 300 milisegundos de anticipación, según el experimento realizado por los investigadores de la Universidad de Princeton y el PPPL.

Las interrupciones son uno de los grandes obstáculos en la fusión nuclear, ya que se desea que el reactor opere 24/7 durante años sin ningún problema.

(Dado que las interrupciones y las inestabilidades son) muy problemáticas… desarrollar soluciones como esta aumenta su confianza de que podemos operar estas máquinas sin ningún problema.

– Egemen Kolemen, autor del estudio y profesor de ingeniería mecánica y aeroespacial en la Universidad de Princeton

Construyendo IA para Encontrar Nuevas Aleaciones para Instalaciones de Fusión Nuclear

Un estudio reciente del Laboratorio Nacional Oak Ridge (ORNL) del Departamento de Energía (DOE) ha creado un modelo de IA para ayudar a identificar nuevas aleaciones que se utilizan en reactores de fusión nuclear como blindaje para alojar componentes de aplicaciones de fusión.

El proyecto comenzó hace muchos años bajo la dirección de David Womble, ex director de la Iniciativa de IA, y es un gran paso hacia la mejora de las instalaciones de fusión nuclear. Luego, continuó como área prioritaria de investigación bajo la Inteligencia Artificial para el Descubrimiento Científico (AISD).

Las limitaciones actuales de los enfoques computacionales a gran escala, según el estudio, están arrojando nueva luz sobre el beneficio potencial de integrar el aprendizaje automático dentro de la ciencia de materiales tradicional y la mecánica cuántica. 

Los modelos de aprendizaje profundo (DL), en particular, han sido eficaces para registrar no linealidades relevantes que son activadas por las configuraciones atómicas de un sistema atómico.

Una vez que el modelo DL está entrenado, puede usarse para inferencia en una fracción del tiempo que tomaría ejecutar un cálculo DFT completo, mientras produce resultados precisos. Este considerable ahorro de tiempo al predecir propiedades de aleaciones usando información atómica acelera efectivamente el descubrimiento y diseño de nuevas aleaciones multicomponente. 

Así, el enfoque del estudio ha sido en aleaciones, que se requieren para “lograr un rendimiento excepcional a temperaturas muy altas.” Este rendimiento debe ser tanto en resistencia a altas temperaturas como en las propiedades mecánicas estructurales requeridas para el uso de las aleaciones en plantas nucleares complejas. Para que un material alcance alta resistencia a una temperatura mayor, su temperatura de descomposición debe ser más alta. 

Para fabricar estos materiales, el tungsteno se ha utilizado tradicionalmente como elemento principal tradicionalmente. Mientras tanto, se añaden elementos adicionales como suplemento. La composición resultante de la aleación ha sido resistente a altas temperaturas pero inconsistente en mantener un blindaje adecuado.

Recientemente, los investigadores exploraron reemplazar estos materiales tecnológicos estándar con lo que el científico de datos de IA de ORNL, Massimiliano Lupo Pasini, describió como “algo completamente nuevo y disruptivo”.

Pero, por supuesto, identificar combinaciones metálicas potenciales es un gran desafío, dada la enorme cantidad de posibilidades. 

Así, los investigadores usaron IA para evitar el período de pruebas y descubrir candidatos de aleación utilizables de manera más eficiente. Esto involucró generar los datos para crear el modelo de IA que identificó tres elementos para probar como potenciales nuevos candidatos de aleación.

Según los resultados del estudio, que están publicados en la revista Scientific Data, el equipo presentó cuatro conjuntos de datos de código abierto. Los conjuntos de datos proporcionaron resultados de cálculos de teoría funcional de la densidad (DFT) de propiedades del estado fundamental de aleaciones. 

Las aleaciones involucradas son niobio-vanadio (NbV), niobio-tantalio (NbTa), tantalio-vanadio (TaV) y aleaciones ternarias NbTaV ordenadas en estructuras cúbicas centradas en el cuerpo (BCC) con 128 sitios de la red de Bravais. 

El modelo de IA de ORNL tiene una gran importancia en el mundo de la fusión nuclear porque esta tecnología prometedora puede proporcionar materiales limpios y casi ilimitados que pueden soportar temperaturas extremadamente altas, radiación y estrés mecánico. Así, al encontrar aleaciones de alto rendimiento, podemos garantizar la longevidad y fiabilidad de los reactores de fusión.

Además de ayudar a identificar nuevas aleaciones mucho más rápido y de manera rentable, y eliminar un gran obstáculo en hacer que los reactores de fusión nuclear sean prácticos y seguros, dicho modelo de IA también puede permitir avances tecnológicos disruptivos en la fusión nuclear.

Modelado de Datos Impulsado por IA para Acelerar los Descubrimientos Científicos

Tener una base de datos generada por IA es solo una parte del proyecto. La siguiente parte implica usar los datos generados para investigaciones adicionales relacionadas con el desarrollo, entrenamiento y despliegue de modelos de aprendizaje automático para el descubrimiento y diseño de materiales.

Según Lupo Pasini, se necesitan seis elementos para apoyar el diseño de nuevas aleaciones refractarias de alta entropía. 

Las aleaciones de alta entropía, o HEA, son una nueva frontera para los científicos de materiales, y actualmente hay muy pocos resultados experimentales. Un estudio de hace un par de años encuestó 14 elementos y las combinaciones que producen HEA. Usando cálculos mecánicos cuánticos de alto rendimiento, encontraron la estabilidad y propiedades elásticas de más de 7,000 HEA. 

Según el autor del estudio, Wei Chen, profesor asociado de ciencia e ingeniería de materiales en el Instituto Tecnológico de Illinois, ese fue supuestamente “la base de datos más grande de las propiedades elásticas de aleaciones de alta entropía”.

Ahora, para el estudio más reciente, también está el tema de la costosa tarea de ejecutar cálculos mecánicos cuánticos en supercomputadoras existentes. Por lo tanto, “los datos por sí solos no serán suficientes”.

Otro desafío que el equipo necesitó superar con estos cálculos masivos fue el tiempo. Les tomó más de un año completar los cálculos en las supercomputadoras Perlmutter y Summit y generar los datos.

The Summit supercomputer is part of the Oak Ridge Leadership Computing Facility and is located at ORNL, while Perlmutter is housed at Lawrence Berkeley National Laboratory, with both computing systems being DOE Office of Science user facilities.

En el siguiente paso, el equipo utilizará los datos generados para entrenar el modelo de IA. El modelo acelerará la amplia gama de compuestos como resultado de mezclar los seis elementos en diferentes concentraciones como aleaciones.

“Estamos intentando ayudar a los científicos de materiales con sus enfoques de prueba y error al identificar el porcentaje relativo de los diferentes elementos que deben mezclarse juntos para crear aleaciones que puedan conducir a avances tecnológicos disruptivos en la fusión.”

– Lupo Pasini

El uso de IA para comprender las complejidades de los materiales a un nivel más profundo también ha avanzado a un ritmo rápido. El año pasado, Lupo Pasini de ORNL también lideró un equipo de científicos computacionales que generó conjuntos de datos de escala sin precedentes que proporcionaron las propiedades espectrales ultravioleta y visible de más de 10 millones de moléculas orgánicas. 

Comprender la interacción de una molécula con la luz es crucial para revelar sus propiedades electrónicas y ópticas, que tienen potenciales aplicaciones fotoactivas en sistemas de imágenes médicas y células solares.

Los cálculos de química cuántica se ejecutaron usando recursos de computación de alto rendimiento para generar los vastos conjuntos de datos. Estos conjuntos de datos luego se usarán para entrenar un modelo DL que identifique moléculas con propiedades optoelectrónicas y fotoreactivas a medida.

En ese momento, Lupo Pasini señaló que determinar cómo la materia y la energía interactúan a nivel subatómico mediante experimentos laboriosos y cálculos de primeros principios existentes, que pueden sobrecargar fácilmente las instalaciones de supercomputación, es simplemente inasequible. Sin embargo, los modelos DL “ofrecen herramientas muy prometedoras para superar estas barreras”.

El equipo está construyendo una arquitectura HydraGNN que toma la estructura atómica y la convierte en un grafo antes de intentar predecir lo que el código de primeros principios produciría como salida.

A principios de este año, Lupo Pasini y el equipo mostraron la escalabilidad de HydraGNN en el sistema Perlmutter, así como en las supercomputadoras Frontier y Summit. HydraGNN es una implementación de arquitecturas GNN para producir predicciones rápidas y precisas de propiedades de materiales.

Con la ilustración, el equipo mostró simplemente cómo escalar redes neuronales de grafos (GNN) para mapear conexiones entre miles o incluso millones de variables y desentrañar sus relaciones para acelerar el descubrimiento científico.

Empresas que se Beneficiarán de la Fusión 

Tanto la industria de IA como la de fusión nuclear están recibiendo miles de millones de dólares en inversión, lo que demuestra la emoción y el desarrollo que rodean a estas dos tecnologías transformadoras. Así que veamos algunos nombres destacados de estos campos: 

#1. General Electric (GE)

General Electric (GE.TO ) está involucrada en la investigación y desarrollo de energía nuclear a través de su GE Vernova (GEV ), que busca acelerar el camino hacia una energía más fiable, asequible y sostenible. Sus esfuerzos en el campo incluyen nuevos sensores y técnicas de imagen para rastrear materiales de combustible nuclear usado en tiempo real, una técnica de inspección llamada RADMASS para hacer que el reprocesamiento del combustible sea más asequible, y la construcción de reactores nucleares de agua hirviente (BWRs).

Con una capitalización de mercado de $204.469 mil millones, las acciones de la compañía cotizan actualmente a $188.94, con un aumento del 47.83% en lo que va del año. Tiene un EPS (TTM) de 4.28, un P/E (TTM) de 44.09 y un rendimiento de dividendo del 0.59%.

Para el segundo trimestre de 2024, GE Vernova informó $8.2 mil millones en ingresos totales y $1.3 mil millones en ingreso neto. Mientras tanto, los pedidos totales de $11.8 mil millones superaron los ingresos en 1.4 veces. El efectivo de actividades operativas al final del trimestre fue de $1 mil millones, mientras que el saldo de efectivo de $5.8 mil millones aumentó desde $4.2 mil millones tras la escisión de GE en abril.

“Las tendencias de electrificación y descarbonización global continúan impulsando la demanda de nuestros productos y servicios.”

– CEO de GE Vernova, Scott Strazik

#2. IBM (IBM)

Mientras que NVIDIA (NVDA ) es líder en tecnología de IA y supercomputación, lo que ha impulsado sus precios de acciones a subir un 134.76% este año, IBM también se encuentra entre los líderes en computación cuántica e investigación de IA. Las computadoras cuánticas de la compañía son sistemas de computación cuántica basados en la nube que pueden usarse para investigación y exploración.

Al ejecutar simulaciones complejas en estas computadoras cuánticas, IBM permite avances críticos en varios sectores. Hace un par de años, la compañía escribió sobre la optimización de la generación de energía nuclear desbloqueando el valor de los datos.

Con una capitalización de mercado de $201.54 mil millones, las acciones de la compañía cotizan actualmente a $218.80, con un aumento del 34.82% en lo que va del año. Tiene un EPS (TTM) de 9.53, un P/E (TTM) de 2.95 y un rendimiento de dividendo del 3.05%.

Para el segundo trimestre de 2024, IBM informó ingresos de $15.8 mil millones, lo que representó un aumento del 2% con el mayor impulso visto en su segmento de software. El margen de beneficio bruto de la compañía fue del 56.8% mientras que el operativo (Non-GAAP) fue del 57.8%. El efectivo neto de actividades operativas fue de $6.2 mil millones en lo que va del año y el flujo de caja libre fue de $4.5 mil millones.

#3. ATI Inc. (ATI)

ATI se especializa en la producción de metales y aleaciones especiales, y esta experiencia los posiciona bien para aplicaciones en reactores de fusión. High-Performance Materials & Components (HPMC) es uno de sus segmentos, que produce materiales de alto rendimiento como titanio y aleaciones basadas en titanio usadas en energía, medicina y aeroespacial. Advanced Alloys & Solutions (AA&S) es otra división que produce zirconio y aleaciones relacionadas que se utilizan en los mercados automotriz, electrónico, energético y de defensa.

Con una capitalización de mercado de $8.20 mil millones, las acciones de la compañía cotizan actualmente a $66, con un aumento del 44.74% en lo que va del año. Tiene un EPS (TTM) de 2.94 y un P/E (TTM) de 22.48.

Para el segundo trimestre de 2024, ATI informó $1.1 mil millones en ventas, lo que representó un aumento del 5% respecto al trimestre anterior. El ingreso neto del trimestre fue de $81.9 millones, o $0.58 por acción, un 26% más que en el 1T24. El EBITDA ajustado de la compañía, mientras tanto, fue de $182.6 millones.

“Nuestra ejecución y capacidad para capitalizar oportunidades de mercado nos permite impulsar márgenes mayores y generar un fuerte flujo de caja operativo.”  

– Kimberly A. Fields, Presidenta y CEO

Conclusión

La fiebre por la IA está creciendo constantemente, y su integración en la investigación de fusión nuclear marca un momento crucial para ambos campos. Al abordar los complejos desafíos inherentes a la fusión, la IA tiene el potencial de acortar drásticamente el plazo para lograr energía de fusión práctica.

Desde predicciones de plasma en tiempo real hasta el descubrimiento de nuevas aleaciones capaces de soportar condiciones extremas, los avances impulsados por IA están acercando constantemente la fusión nuclear a convertirse en una realidad, ofreciendo una solución energética más limpia y sostenible a la crisis energética global.

Haga clic aquí para aprender todo sobre invertir en inteligencia artificial.