Energía
IA y Fusión Nuclear – Usando una Tecnología Disruptiva para Avanzar la Otra
Añade Securities.io a tus fuentes preferidas en Google
La inteligencia artificial está transformando numerosos sectores y se ha incorporado a la investigación de la fusión nuclear, una tecnología con un potencial transformador comparable al de la propia IA.
Por su potencial para generar energía de bajas emisiones a partir de combustibles abundantes, la fusión nuclear es una tecnología prometedora que podría tener un papel importante en el suministro eléctrico.
Sus ventajas potenciales incluyen una elevada densidad energética del combustible, bajas emisiones operativas y características de seguridad distintas de las de la fisión. Su aplicación comercial sigue requiriendo avances técnicos y económicos.
Un ejemplo del progreso es el récord de energía de fusión del JET, anunciado en 2024 y obtenido en experimentos de 2023: 69 megajulios durante cinco segundos con unos 0,2 miligramos de combustible. Era energía térmica de fusión, no electricidad suministrada a hogares, y el dispositivo consumió más energía de la que produjo.
La duración del plasma varía según el dispositivo y no equivale a producir energía útil de manera sostenida. La IA es una herramienta para mejorar el control y el diseño de estos sistemas.
Los avances en IA de los últimos años han ampliado su uso en investigación científica, incluida la física de plasmas y el desarrollo de materiales para fusión.
Sus aplicaciones incluyen anticipar inestabilidades, ajustar controles en tiempo real, evaluar diseños y acelerar cálculos de propiedades de materiales. Cada tarea requiere modelos y validaciones específicos.
El plazo para generar electricidad de fusión a escala comercial sigue siendo incierto. La IA puede acelerar algunas etapas del desarrollo científico y de ingeniería.
Steven Cowley, director del Laboratorio de Física de Plasmas de Princeton (PPPL) y profesor de ciencias astrofísicas, afirmó:
«La fusión podría convertirse en la aplicación estrella de la IA».
En 2024, investigadores de Princeton y del PPPL demostraron en el tokamak DIII-D un controlador de IA que anticipaba inestabilidades de desgarro del plasma con hasta 300 milisegundos de antelación y ajustaba el control para evitarlas en las condiciones ensayadas.
Las interrupciones abruptas del plasma son un obstáculo importante para instalaciones que necesitarían funcionar de forma fiable durante períodos prolongados.
«Como las interrupciones y las inestabilidades son muy problemáticas, desarrollar soluciones como esta aumenta la confianza en que podemos operar estas máquinas sin problemas».
— Egemen Kolemen, autor del estudio y profesor de ingeniería mecánica y aeroespacial de Princeton
IA para buscar nuevas aleaciones destinadas a la fusión
Un estudio liderado por el Laboratorio Nacional de Oak Ridge (ORNL), del Departamento de Energía de Estados Unidos, generó datos computacionales para ayudar a identificar aleaciones que podrían utilizarse en componentes de reactores de fusión.
El proyecto comenzó bajo la dirección de David Womble, entonces responsable de la iniciativa de IA. Más adelante continuó en el área de Inteligencia Artificial para el Descubrimiento Científico, AISD.
El costo de los cálculos de gran escala impulsa la integración del aprendizaje automático con la ciencia de materiales y la mecánica cuántica.
Los modelos de aprendizaje profundo pueden representar relaciones no lineales que dependen de la configuración de los átomos.
Una vez que un modelo se ha entrenado y validado, puede estimar propiedades en una fracción del tiempo necesario para un cálculo completo de teoría del funcional de la densidad (DFT). Esto permite seleccionar con mayor rapidez composiciones prometedoras para estudios posteriores.
El trabajo se centra en aleaciones capaces de mantener un buen rendimiento a temperaturas elevadas. Además de resistencia mecánica y estabilidad térmica, las aplicaciones de fusión exigen estudiar la respuesta de los materiales a la radiación y a las cargas térmicas.
Para componentes expuestos al plasma, el tungsteno es un material importante por su elevado punto de fusión . La adición de otros elementos permite modificar sus propiedades. El desempeño de cada aleación depende de la composición y de las condiciones de funcionamiento.
Los investigadores exploran alternativas que Massimiliano Lupo Pasini, científico de datos de IA del ORNL, describió como «algo completamente nuevo y disruptivo».
Seleccionar combinaciones prometedoras es difícil por la enorme cantidad de composiciones posibles.
Los investigadores desarrollan métodos para seleccionar candidatos a aleaciones con mayor eficiencia. El trabajo generó datos sobre tres elementos para apoyar modelos de IA. La selección computacional orienta los ensayos, pero no sustituye la evaluación experimental de los materiales.
El estudio, publicado en Scientific Data, presenta cuatro conjuntos de datos abiertos con resultados de DFT sobre propiedades del estado fundamental de las aleaciones.
Los datos abarcan niobio-vanadio (NbV), niobio-tantalio (NbTa), tantalio-vanadio (TaV) y NbTaV ternario, en estructuras cúbicas centradas en el cuerpo representadas mediante superceldas de 128 sitios.
El interés para la fusión radica en la búsqueda de materiales capaces de soportar altas temperaturas, radiación y esfuerzos mecánicos. Mejores aleaciones pueden contribuir a prolongar la vida útil y mejorar la fiabilidad de los componentes.
Identificar candidatos con mayor rapidez puede facilitar el desarrollo de materiales para reactores y concentrar los ensayos en las opciones más prometedoras.
Datos y modelos para acelerar los descubrimientos
La generación de datos mediante cálculos cuánticos es una etapa del proyecto. Esos resultados se utilizarán para desarrollar y entrenar modelos de aprendizaje automático destinados al diseño de materiales.
Lupo Pasini explicó que el equipo pretendía ampliar la cobertura a seis elementos para su investigación de aleaciones refractarias de alta entropía.
Estas aleaciones combinan varios elementos en proporciones relevantes. Un estudio anterior examinó combinaciones de 14 elementos y calculó la estabilidad y las propiedades elásticas de más de 7.000 aleaciones mediante métodos cuánticos de alto rendimiento.
Wei Chen, profesor asociado del Instituto Tecnológico de Illinois, describió ese trabajo como «la mayor base de datos de propiedades elásticas de aleaciones de alta entropía».
En el proyecto más reciente, los cálculos cuánticos seguían teniendo un costo considerable. Como señaló el equipo, «los datos por sí solos no serán suficientes»: también se necesitan los modelos que los utilizarán.
La generación de los conjuntos de datos requirió más de un año de cálculos en Perlmutter y Summit.
El superordenador Summit forma parte de la Oak Ridge Leadership Computing Facility y está ubicado en el ORNL, mientras que Perlmutter se encuentra en el Laboratorio Nacional Lawrence Berkeley. Ambos sistemas son instalaciones de investigación que la Oficina de Ciencia del Departamento de Energía de Estados Unidos pone a disposición de los usuarios.
En la siguiente etapa, el equipo utilizará los datos para entrenar modelos que permitan explorar el amplio espacio de composiciones resultante de mezclar los seis elementos en proporciones diferentes.
«Intentamos ayudar a los científicos de materiales en sus métodos de ensayo y error, identificando las proporciones de los distintos elementos que deben mezclarse para crear aleaciones que puedan impulsar avances tecnológicos en la fusión».
— Massimiliano Lupo Pasini
La IA también ayuda a estudiar las propiedades de los materiales a escala atómica y a explorar grandes conjuntos de compuestos. En 2023, Lupo Pasini también lideró un equipo que generó conjuntos de datos con propiedades espectrales ultravioletas y visibles de más de 10 millones de moléculas orgánicas.
Comprender la interacción de las moléculas con la luz ayuda a identificar propiedades electrónicas y ópticas útiles para imágenes médicas y células solares.
Los cálculos de química cuántica se realizaron con recursos de computación de alto rendimiento. Los conjuntos de datos pueden utilizarse para entrenar modelos que identifiquen moléculas con propiedades optoelectrónicas y fotoactivas deseadas.
Lupo Pasini señaló que explorar todos esos sistemas mediante experimentos y cálculos de primeros principios tendría un costo prohibitivo. El aprendizaje profundo ofrece «herramientas muy prometedoras para superar estas barreras».
HydraGNN representa estructuras atómicas o moleculares como grafos y aprende a estimar propiedades que, de otro modo, requerirían cálculos de primeros principios.
En 2024, la escalabilidad de HydraGNN se demostró en Perlmutter, así como en Frontier y Summit, para obtener predicciones rápidas de propiedades de materiales.
La demostración mostró cómo distribuir redes neuronales de grafos en grandes sistemas de computación para acelerar la investigación.
Empresas relacionadas con energía, IA y materiales
Los sectores de IA y fusión atraen inversión, aunque la actividad en computación, materiales o fisión nuclear no implica ingresos directos por fusión. Los ejemplos siguientes tienen exposiciones distintas.
#1. General Electric (GE)
General Electric (GE.TO ) pasó a operar como GE Aerospace tras la separación de GE Vernova (GEV ) el 2 de abril de 2024. Las actividades de generación y fisión nuclear quedaron en GE Vernova, incluida su participación en GE Hitachi Nuclear Energy y sus reactores de agua en ebullición. La investigación sobre sensores, inspección y combustible usado corresponde al ámbito de la fisión.
GE Gráfico de precios
En una referencia de mercado de 2024, la acción estadounidense de GE Aerospace cotizaba a 188,94 dólares, con una capitalización de 204.469 millones de dólares y una subida anual del 47,83 %. El beneficio por acción de los últimos 12 meses era de 4,28 dólares, con PER de 44,09 y rentabilidad por dividendo del 0,59 %. La cotización estadounidense y el certificado depositario canadiense representan instrumentos distintos sobre la misma empresa.
En el segundo trimestre de 2024, GE Vernova informó 8.200 millones de dólares de ingresos y 1.300 millones de beneficio neto, incluido el efecto de la venta de parte de sus actividades nucleares de Steam Power a EDF. Los pedidos sumaron 11.800 millones, aproximadamente 1,4 veces los ingresos. El flujo de caja operativo fue cercano a 1.000 millones y el efectivo al cierre pasó de 4.200 millones tras la separación a 5.800 millones de dólares.
“Las tendencias de electrificación y descarbonización global continúan impulsando la demanda de nuestros productos y servicios.”
— Scott Strazik, CEO de GE Vernova
#2. IBM (IBM)
NVIDIA (NVDA ) proporciona tecnología para IA y supercomputación; en la referencia de mercado de 2024, sus acciones acumulaban una subida anual del 134,76 %. IBM también investiga IA y computación cuántica, con sistemas accesibles en la nube para experimentación.
La computación cuántica ofrece posibilidades futuras para simulaciones de materiales. Por separado, IBM publicó un análisis sobre el uso de datos para optimizar la generación de energía nuclear con herramientas de gestión de activos.
IBM Gráfico de precios
En una referencia de mercado de 2024, IBM tenía una capitalización de 201.540 millones de dólares y una cotización de 218,80 dólares, con una subida anual del 34,82 %. El beneficio por acción de los últimos 12 meses era de 9,53 dólares, equivalente a un PER aproximado de 22,96. La rentabilidad por dividendo indicada era del 3,05 %.
En el segundo trimestre de 2024, IBM informó ingresos de 15.800 millones de dólares, un 2 % más interanual, con impulso del software. El margen bruto GAAP fue del 56,8 % y el margen bruto operativo ajustado (Non-GAAP) fue del 57,8 %. En el primer semestre, el flujo de caja operativo neto fue de 6.200 millones y el flujo de caja libre de 4.500 millones de dólares.
#3. ATI Inc. (ATI)
ATI produce metales y aleaciones especiales para aplicaciones exigentes. High Performance Materials & Components (HPMC) suministra, entre otros productos, titanio y sus aleaciones a los sectores aeroespacial, médico y energético. Advanced Alloys & Solutions (AA&S) fabrica materiales como zirconio y aleaciones para automoción, electrónica, energía y defensa.
ATI Gráfico de precios
En una referencia de mercado de 2024, ATI tenía una capitalización de 8.200 millones de dólares y una cotización de 66 dólares, con una subida anual del 44,74 %. El beneficio por acción era de 2,94 dólares, con PER de 22,48.
En el segundo trimestre de 2024, ATI informó ventas cercanas a 1.100 millones de dólares, un 5 % más que el trimestre anterior. El beneficio neto fue de 81,9 millones, o 0,58 dólares por acción. El beneficio por acción aumentó un 26 % trimestral, mientras que el beneficio neto creció alrededor del 24 %. El EBITDA ajustado fue de 182,6 millones de dólares.
«Nuestra ejecución y capacidad para aprovechar oportunidades de mercado nos permiten ampliar los márgenes y generar un sólido flujo de caja operativo».
— Kimberly A. Fields, presidenta y CEO
Conclusión
La IA aporta herramientas para afrontar problemas de control del plasma y desarrollo de materiales. Estos avances pueden acelerar etapas importantes de la investigación y la ingeniería.
La predicción de inestabilidades y la selección de aleaciones son ejemplos de ese progreso. La generación eléctrica comercial exige además integrar y demostrar el funcionamiento del conjunto del reactor.
Haga clic aquí para saber más sobre invertir en inteligencia artificial.
