La IA toma el control de los sistemas de fusión en milisegundos

Los investigadores de fusión están intentando controlar la materia a temperaturas más altas que el centro del Sol. Ese desafío deja casi sin margen para decisiones retrasadas. Una inestabilidad del plasma puede desarrollarse en milisegundos, mientras que una simulación física detallada puede requerir días o meses para completarse. Los operadores humanos pueden establecer los objetivos, pero no pueden reaccionar manualmente lo suficientemente rápido a cada cambio dentro de un experimento de fusión.

Un nuevo estudio¹ de investigadores de la Universidad de Princeton y del Princeton Plasma Physics Laboratory describe una respuesta práctica a ese problema de control. El equipo desarrolló PACMAN, abreviatura de Prediction And Control using MAchiNe learning, y lo implementó en el tokamak DIII‑D en California. En lugar de realizar una única tarea de IA estrecha, PACMAN ofrece un marco común mediante el cual diferentes modelos pueden leer datos de diagnóstico, hacer predicciones, coordinar controladores y enviar comandos al equipo físico.

La investigación en fusión ya cuenta con potentes modelos de aprendizaje automático. El problema más difícil es convertirlos en componentes confiables en tiempo real sin reconstruir la cadena de control para cada experimento. PACMAN aborda esa capa faltante.

Por qué la fusión requiere control de IA en tiempo real

Un tokamak confina plasma cargado eléctricamente mediante campos magnéticos. Mantener condiciones útiles requiere ajustes constantes a los sistemas de calentamiento, bobinas magnéticas, inyección de gas y otros equipos. Pequeñas perturbaciones pueden crecer hasta convertirse en inestabilidades que reducen el rendimiento o terminan la descarga del plasma por completo.

Los controladores tradicionales siguen siendo eficaces cuando los ingenieros pueden describir la respuesta deseada con antelación. Sin embargo, los regímenes de plasma avanzados implican interacciones no lineales, mediciones incompletas y condiciones que cambian demasiado rápido para cálculos exhaustivos. El aprendizaje automático puede aproximar este comportamiento y ofrecer una respuesta dentro del tiempo disponible.

La importancia más amplia de este enfoque ya se ha vuelto visible. Investigaciones anteriores mostraron que la IA puede predecir y prevenir inestabilidades de fusión antes de que los sistemas convencionales respondan. PACMAN amplía el concepto de una demostración individual de predicción y control a una arquitectura capaz de soportar varios modelos, controladores y objetivos.

Según el anuncio de PPPL, el marco completo suele ejecutarse en aproximadamente 20 milisegundos. En un experimento, un modelo de aprendizaje automático anticipó una inestabilidad de modo de desgarro unos 200 milisegundos antes. Ese intervalo puede parecer breve, pero brinda al controlador automatizado tiempo suficiente para redirigir el calentamiento y cambiar las condiciones del plasma antes de que la inestabilidad se establezca.

Cómo funciona el marco de fusión PACMAN

PACMAN organiza el control en tiempo real en cuatro bloques consecutivos. El bloque de entrada recopila mediciones de diagnóstico y verifica su validez. El bloque de modelo permite que modelos de aprendizaje automático, convencionales o basados en física interpreten esas entradas. El bloque de controlador traduce las predicciones en acciones deseadas. Finalmente, el bloque de salida resuelve solicitudes competidoras, aplica limitaciones de hardware y pasa los comandos aprobados al tokamak.

Por lo tanto, el sistema puede separar la inteligencia de la autoridad. Un modelo de IA puede recomendar una acción, pero su salida no elude la arquitectura de control circundante. Los comandos siguen siendo verificados contra los límites de los actuadores, y los investigadores definen los objetivos y la configuración para cada experimento.

El marco incluye varias salvaguardas prácticas:

• La validación de entrada identifica datos de diagnóstico ausentes o inválidos.
• El filtrado paso bajo puede prevenir reacciones a mediciones aisladas deficientes.
• El manejo de conflictos arbitra entre solicitudes de actuadores competidores.
• Los límites de salida evitan que los comandos superen las restricciones de hardware.

Este diseño ofrece una lección útil para la IA crítica en seguridad: la fiabilidad no tiene que depender de un modelo infalible. El sistema circundante puede asumir que los modelos encontrarán datos erróneos o producirán salidas inadecuadas, y entonces limitar su influencia sobre el equipo físico.

Cinco experimentos demuestran la flexibilidad del marco

Los investigadores usaron PACMAN en cinco aplicaciones experimentales en DIII‑D. Estas no fueron cinco variaciones de la misma red neuronal. Incluyeron aprendizaje por refuerzo, modelos de supervivencia, computación de reservorio y control predictivo basado en modelo, combinados con diferentes diagnósticos y actuadores.

El controlador de aprendizaje por refuerzo gestionó las entradas de calentamiento para alcanzar la presión del plasma y las barreras de transporte interno. El controlador de modo de desgarro redirigió el calentamiento por resonancia ciclotrón de electrones antes de que apareciera una inestabilidad. Otro modelo predijo eventos súbitos localizados en el borde sin controlar directamente un actuador, mostrando que PACMAN también puede proporcionar un controlador externo.

La aplicación de modo propio de Alfvén clasificó ondas asociadas con partículas energéticas y ajustó la potencia del haz neutro en respuesta. El ejemplo más exigente computacionalmente comprimió los perfiles de plasma en una representación latente más simple y utilizó control predictivo basado en modelo para ajustar la densidad y la rotación hacia objetivos definidos por los investigadores.

En conjunto, estos experimentos demuestran por qué un marco compartido es valioso. Cada objetivo requiere diferentes datos, tiempos y hardware, pero cada equipo no debería necesitar recrear el manejo de diagnósticos, las verificaciones de seguridad y la integración de actuadores.

El verdadero avance es el desarrollo más rápido de la fusión

PACMAN no resuelve las barreras científicas y económicas que enfrenta la energía de fusión. DIII‑D es una instalación de investigación, no un generador comercial, y los experimentos no demostraron generación neta de electricidad. El marco tampoco puede controlar fenómenos que evolucionan más rápido que su ventana de escala de milisegundos. Su implementación actual ejecuta los modelos de forma serial, aunque la arquitectura puede soportar una ejecución paralela futura.

Su valor a corto plazo se encuentra, sin embargo, en la velocidad de desarrollo. PPPL informa que construir el marco e instalar el primer modelo tomó meses, mientras que añadir el segundo modelo solo requirió días. Una vez que la infraestructura compartida maneja los problemas de integración recurrentes, los investigadores pueden dedicar más tiempo a mejorar los modelos de plasma y menos tiempo a reconstruir la infraestructura alrededor de ellos.

Esto podría crear un efecto multiplicador. Un despliegue más rápido produce más datos experimentales, mejores modelos y regímenes operativos cada vez más ambiciosos. El resultado es un bucle de aprendizaje más estrecho entre la simulación, el aprendizaje automático y los experimentos físicos.

Ese bucle ayuda a explicar la creciente conexión entre IA y energía de fusión. La IA puede incrementar la demanda eléctrica a través de centros de datos, pero también se está convirtiendo en una herramienta de ingeniería para desarrollar nuevos sistemas energéticos. En fusión, su valor no se limita a descubrir materiales o analizar resultados después de un experimento. Puede participar directamente en el control de la máquina.

De software experimental a infraestructura de reactor

El siguiente paso será determinar si los principios de diseño de PACMAN se transfieren a otras máquinas. Los tokamaks difieren en su geometría, diagnósticos, actuadores y sistemas de control. Una arquitectura conceptual reutilizable no hace automáticamente que el software sea portable en todas las instalaciones.

Aun así, el marco identifica elementos que probablemente serán importantes en futuros reactores: entradas estandarizadas, modelos intercambiables, límites explícitos del controlador, arbitraje de actuadores y aplicación de seguridad fuera del modelo de IA. Los sistemas comerciales también requerirán redundancia, ciberseguridad y respuestas predecibles cuando el equipo falle.

Los investigadores planean introducir multihilos y explorar GPU o matrices de puertas programables en campo para una inferencia más rápida. La métrica crítica no será solo la velocidad bruta del modelo. La latencia de extremo a extremo, que incluye la adquisición de datos, la validación, las decisiones y la actuación, determina si un controlador puede intervenir a tiempo.

Invertir en fusión habilitada por IA a través de Alphabet

Para los inversores que buscan exposición en los mercados públicos a la convergencia de IA e investigación de fusión, Alphabet Inc (GOOG ) ofrece una opción relevante, aunque indirecta. Google ha colaborado con el desarrollador privado de fusión TAE Technologies durante más de una década, aplicando aprendizaje automático a la reconstrucción de plasma, optimización y diseño de reactores. Google también participó en la ronda de financiación de TAE en 2025.

La contribución de Google va más allá del capital. Sus investigadores han trabajado con ingenieros de fusión para interpretar el comportamiento del plasma y reducir la complejidad de la máquina. En 2025, Google dijo que el trabajo conjunto de reconstrucción de plasma ayudó a TAE a simplificar y reconstruir su máquina de fusión. Alphabet también ha acordado comprar energía de Commonwealth Fusion Systems si su instalación prevista alcanza la operación comercial.

Esto no convierte a Alphabet en una empresa puramente de fusión. Actualmente, la fusión representa una parte pequeña y especulativa de una compañía dominada por la publicidad, la computación en la nube y los servicios digitales. TAE también utiliza una configuración de campo invertido en lugar de la arquitectura de tokamak empleada en DIII‑D. Aún así, la colaboración de IA de Google con TAE Technologies demuestra que está aportando capacidades técnicas al sector en lugar de esperar convertirse en un futuro cliente de electricidad.

La IA se está convirtiendo en parte de la máquina de fusión

PACMAN lleva la discusión más allá de si un solo modelo de IA puede predecir una inestabilidad. La cuestión más trascendental es si muchos sistemas predictivos y de control pueden operar juntos, interactuar con el hardware y permanecer limitados por reglas de seguridad exigibles.

Los experimentos en DIII‑D sugieren que este problema de integración es solucionable. PACMAN acomodó cinco aplicaciones distintas, tomó decisiones en escalas de tiempo de milisegundos y proporcionó una vía para añadir nuevos modelos sin rediseñar todo el sistema de control. Sigue siendo infraestructura experimental, pero la infraestructura es precisamente lo que convierte los avances aislados en progreso repetible.

La fusión comercial todavía requiere avances en el rendimiento del plasma, materiales, ciclos de combustible, mantenimiento y economía de la planta. El control de IA en tiempo real no reemplazará esos logros. Sin embargo, podría convertirse en la capa que les permita trabajar juntos dentro de un reactor.

Referencias:

^{1 Rothstein, A., Farre-Kaga, H. J., Butt, J., Shousha, R., Erickson, K., Wakatsuki, T., Steiner, P., Kim, S. K., Jalalvand, A., & Kolemen, E. (2026). Habilitando el control integrado de IA en DIII-D: Un diseño de sistema de control con experimentos de última generación. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}