Dominar la fusión con IA para desbloquear energía limpia infinita

Con los combustibles fósiles agotándose rápidamente y el cambio climático empeorando, estamos en una necesidad de energía limpia. 

Si bien las fuentes de energía renovable ofrecen una alternativa prometedora, tienen sus propios desafíos en cuanto a limitaciones de almacenamiento de energía, complejidades de integración a la red, altos costos iniciales y la naturaleza intermitente de algunas fuentes como la solar y la eólica. Además, el uso del suelo, las barreras políticas y la necesidad de una infraestructura robusta también representan obstáculos significativos. 

Aquí es donde la energía nuclear puede cambiar el juego. La energía nuclear es una forma de energía liberada del núcleo, que es el núcleo central cargado positivamente de los átomos, compuesto por protones y neutrones. 

Según la Agencia Internacional de Energía (IEA), la energía nuclear representa aproximadamente el 10 % de la generación eléctrica a nivel mundial. 

Pero a pesar de su capacidad para producir energía sin emisiones, los altos costos iniciales, los largos plazos y un historial deficiente de entregas a tiempo están limitando la adopción de la energía nuclear, señaló la IEA. Sin embargo, un nuevo impulso a nivel mundial tiene el potencial de abrir una nueva era para la energía nuclear con reactores que comenzarán operaciones comerciales en China, Europa, India, Japón y Corea.

Ahora, hay dos formas en que esta fuente de energía puede producirse:

• Fusión
• Fisión

La fisión es el proceso en el que los núcleos de átomos pesados se dividen en núcleos más pequeños. La fusión es el proceso en el que los núcleos de átomos más ligeros se fusionan para formar uno más pesado. Ambos liberan enormes cantidades de energía.

Aunque solo la fisión se utiliza actualmente a gran escala para la generación de electricidad, hoy nuestro enfoque está en la fusión nuclear.

Aún en fase de investigación y desarrollo, la fusión nuclear contribuye muy poco a la producción mundial de energía, aunque posee un enorme potencial para el futuro. De hecho, es una de las fuentes de energía más respetuosas con el medio ambiente, ya que no se emite dióxido de carbono ni otras emisiones nocivas durante el proceso.

La electricidad sin carbono de las plantas de energía de fusión también puede fluir de forma continua, sin importar el clima o si es de día o de noche. A diferencia de la fisión, la fusión ni siquiera crea posibles derretimientos desastrosos ni residuos nucleares radiactivos de larga duración.

No solo la fusión no contribuye a las emisiones de gases de efecto invernadero, sus dos principales fuentes de combustible, el hidrógeno (para deuterio) y el litio (para tritio), también están ampliamente disponibles.

En este contexto, se espera que la fusión nuclear satisfaga las necesidades energéticas de la humanidad durante millones de años, y eso ha llevado a países de todo el mundo a trabajar activamente para hacerla realidad. 

Obstáculos entre la visión y la realidad de la energía nuclear

Fue en 1915 cuando el concepto de fusión nuclear fue propuesto por primera vez por el químico estadounidense William Draper Harkins. Pero aún no lo hemos logrado de manera significativa. 

Las reacciones de fusión constituyen en realidad la fuente de energía fundamental de las estrellas, incluido el enorme balón de gas caliente, el Sol. Es el proceso llamado fusión termonuclear el que ha mantenido al Sol y a las estrellas brillando durante millones de años.

En la fusión termonuclear, los núcleos atómicos se combinan a temperaturas extremadamente altas, de diez a cien millones de grados centígrados, lo que proporciona suficiente energía para superar la repulsión eléctrica mutua de dos núcleos. Luego se fusionan para formar un solo núcleo y liberan una energía significativa.

La enorme fuerza gravitacional del Sol juega un papel clave aquí, ya que produce una presión extrema, calor y las condiciones para la fusión. Sin gravedad, el Sol no sería lo suficientemente caliente y denso para que ocurra la fusión. 

Ahora, crear fusión nuclear en la Tierra sin los niveles aplastantes de gravedad implica introducir isótopos ligeros en un reactor y luego calentarlos a cientos de millones de grados Celsius, lo que los convierte en un ‘plasma’ ionizado.

El plasma es un gas cargado compuesto por iones positivos y electrones libres. Es extremadamente caliente y difícil de controlar, requiriendo un campo magnético para evitar que escape.

Los científicos han podido lograr rutinariamente condiciones para la fusión nuclear, pero la estabilidad del plasma y la mejora de las propiedades de confinamiento aún no se han alcanzado para mantener la reacción y producir energía de manera sostenida.

Por ejemplo, a finales de 2022, un experimento de fusión de varios miles de millones de dólares logró que una pequeña muestra de isótopo liberara más energía que la energía láser utilizada para encenderla, pero solo duró aproximadamente una décima de nanosegundo.

Así que la fusión nuclear es un proceso muy desafiante, que requiere condiciones extremas de altas temperaturas y presión intensa.

Luego, está la necesidad de estabilizar el plasma, evitar que toque las paredes del reactor y minimizar la pérdida de calor, lo que dificulta mantener la reacción. En términos de ingeniería, necesitamos imanes superconductores grandes y potentes para confinar el plasma en tokamaks, un tipo común de reactor de fusión con forma de rosquilla, y sistemas de vacío avanzados para lograr y mantener presiones extremadamente bajas.

Además, necesitamos materiales que puedan soportar altas temperaturas, altos flujos de calor y una intensa radiación de neutrones. Para abordar estos desafíos, los científicos están recurriendo a la inteligencia artificial (IA). 

La IA está desempeñando un papel cada vez más vital en la aceleración de la investigación y el desarrollo de la fusión nuclear. Al aprovechar el aprendizaje automático y otros algoritmos de IA, los investigadores están optimizando el diseño de reactores, encontrando y corrigiendo errores de medición fundamentales, acelerando el descubrimiento de materiales, prediciendo y previniendo interrupciones del plasma, controlando el estado del plasma y mejorando la eficiencia y estabilidad de las reacciones de fusión.

Al manejar enormes cantidades de datos complejos y la intrincada relación entre diferentes facetas del proceso de fusión, la IA puede mejorar aún más nuestra comprensión, acelerar el desarrollo de nuevos diseños de reactores y reducir significativamente los plazos de desarrollo, allanando el camino para la comercialización de la energía nuclear.

La IA ayuda a superar las barreras físicas de la fusión

La IA está transformando rápidamente industrias, incluido el sector energético, donde ayuda a resolver la crisis energética global al lograr energía nuclear ilimitada y libre de carbono. 

En ese sentido, Google DeepMind utilizó aprendizaje profundo por refuerzo (RL) para controlar con éxito el plasma¹ en un tokamak y esculpirlo con precisión en diferentes formas. Para desarrollar el sistema RL, colaboraron con el Swiss Plasma Center de la EPFL. El sistema descubre de forma autónoma cómo controlar las bobinas magnéticas que rodean un tokamak y contener el plasma en él.

El año pasado, la compañía también lanzó un simulador de plasma llamado TORAX², que modela el “núcleo” del plasma y luego pronostica cambios en la temperatura, densidad y corriente eléctrica. 

A principios del año pasado, un equipo de la Universidad de Princeton también utilizó RL para predecir la forma principal de perturbaciones en el plasma de fusión hasta 300 milisegundos antes de que aparezcan. Conocidas como “inestabilidades de modo de desgarro”, ocurren cuando las líneas de campo magnético dentro de un plasma se rompen, permitiendo que escape y deteniendo así el proceso de fusión. 

Se espera que estas inestabilidades “se vuelvan aún más prominentes a medida que intentamos ejecutar reacciones de fusión a las altas potencias requeridas para producir suficiente energía,” dijo el primer autor Jaemin Seo, profesor asistente de física en la Universidad Chung‑Ang de Corea del Sur. “Son un desafío importante que debemos resolver.”

Su modelo de IA pronostica inestabilidades potenciales de modo de desgarro con antelación³ y luego realiza cambios en ciertos parámetros operativos para evitar el desgarro dentro de las líneas de campo magnético del plasma.

El modelo, entrenado con datos experimentales pasados, recibe el objetivo de mantener una reacción de alta potencia, junto con condiciones a evitar, como la inestabilidad de modo de desgarro, y los ajustes que puede modificar para lograr estos resultados. Con el tiempo, el modelo de IA “aprende la ruta óptima” para sostener el objetivo de alta potencia mientras evita la inestabilidad.

“Al aprender de experimentos pasados, en lugar de incorporar información de modelos basados en la física, la IA pudo desarrollar una política de control final que apoyara un régimen de plasma estable y de alta potencia en tiempo real, en un reactor real.”

– Líder de investigación Egemen Kolemen

Mientras el modelo ejecutaba innumerables experimentos de fusión simulados para encontrar rutas, en segundo plano, el equipo observó sus “intenciones” y refinó acciones, actuando como árbitro “entre lo que la IA quiere hacer y lo que el tokamak puede acomodar.”

El equipo de ingenieros, físicos y científicos de datos probó y demostró su modelo en experimentos en la DIII‑D National Fusion Facility en San Diego.

Luego, a principios de este año, se publicó un artículo de investigación titulado “Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction” fue publicado por Nathan Howard, un científico principal de investigación en el MIT Plasma Science and Fusion Center (PSFC).

Howard y su equipo utilizaron aprendizaje automático y simulaciones para predecir cómo se comportará el plasma en un dispositivo de fusión. 

“En el artículo, explicaron que simulaciones de alta resolución de turbulencia confirman que el tokamak ITER, el mayor dispositivo experimental de fusión del mundo actualmente en construcción en el sur de Francia, funcionará como se espera cuando comience su operación, lo cual no será antes de al menos 2035.

Para verificar el escenario, el equipo utilizó CGYRO, un programa intensivo en tiempo que aplica un modelo complejo de física del plasma a ciertas condiciones operativas para producir simulaciones detalladas del comportamiento del plasma en diferentes ubicaciones dentro de un dispositivo de fusión.

Luego, las simulaciones se ejecutaron a través del marco PORTALS, que toma las ejecuciones de alta fidelidad y utiliza aprendizaje automático para construir un “sustituto”, un modelo que “puede imitar los resultados de las ejecuciones más complejas, pero mucho más rápido.”

Herramientas de modelado de alta fidelidad como PORTALS, observaron los investigadores, proporcionan “una visión del núcleo del plasma antes de que siquiera se forme. Este enfoque de predecir primero nos permite crear plasmas más eficientes en un dispositivo como ITER.”

El equipo también demostró diferentes configuraciones operativas donde se puede producir la misma cantidad de energía de salida pero con menos energía de entrada.

Desliza para desplazarte →

Mapeo de las sombras de fusión con HEAT-ML 

Un nuevo enfoque de IA está siendo utilizado ahora para proteger el interior de los reactores de fusión del calor extremo del plasma. Esta nueva forma está acelerando la velocidad de los cálculos requeridos para encontrar “sombras magnéticas” en los contenedores de fusión.

Estas sombras son refugios seguros que están protegidos del intenso calor del plasma.

El desafío térmico dentro del tokamak

Como explicamos arriba, cuando el plasma se confina en el tokamak usando campos magnéticos, el calor que proviene del plasma alcanza una temperatura que es incluso más alta que el núcleo del sol. Para aprovechar la fusión, este calor necesita ser controlado.

Según Doménica Corona Rivera, investigadora asociada en el Princeton Plasma Physics Laboratory (PPPL):

“Los componentes que están en contacto con el plasma del tokamak podrían entrar en contacto con el plasma, que es muy caliente y puede fundir o dañar estos elementos. Lo peor que puede suceder es que tendrías que detener las operaciones.”

Así que, para superar este problema, los investigadores están utilizando IA que puede acelerar los cálculos que predicen exactamente dónde impactará el calor en el tokamak.

Al acelerar significativamente los cálculos de HEAT, el modelo permite la posibilidad de aplicaciones en tiempo real para la protección del divertor y acciones de control.

Una colaboración para impulsar la innovación en fusión

Una asociación público‑privada entre PPL, el Laboratorio Nacional Oak Ridge del Departamento de Energía de EE. UU. (DOE), y la empresa de energía de fusión Commonwealth Fusion Systems (CFS), que es una escisión del MIT y tiene como objetivo construir una pequeña planta de energía de fusión basada en el diseño del tokamak ARC, dio lugar a este nuevo enfoque de IA llamado HEAT‑ML.

El modelo sustituto basado en ML (HEAT‑ML) se detalla en el estudio más reciente titulado “Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods“.

HEAT‑ML tiene como objetivo sentar las bases para un software que acelere el diseño de futuros sistemas de fusión, así como prevenir cualquier problema antes de que ocurra ajustando el plasma, lo que permite una buena toma de decisiones.

“Esta investigación muestra que puedes tomar un código existente y crear un sustituto de IA que acelerará tu capacidad de obtener respuestas útiles, y abre vías interesantes en términos de control y planificación de escenarios.”

– Coautor del artículo, Michael Churchill, quien es jefe de ingeniería digital en PPPL.

Mapeo de sombras magnéticas para proteger materiales

HEAT‑ML ha sido creado específicamente para simular una pequeña parte de SPARC.

SPARC es un tokamak que está actualmente en desarrollo por CFS en colaboración con el MIT PSFC. Está programado para iniciar operaciones el próximo año y tiene como objetivo demostrar una ganancia neta de energía, generando más energía de la que consume para 2027.

Para lograr eso, los investigadores están simulando cómo el calor impacta el interior de este tokamak.

Un gran desafío computacional, los investigadores lo hacen manejable enfocándose en la sección de SPARC, donde la severidad del escape de calor del plasma se encuentra con la pared del material. Y son 15 losetas alrededor de la base de la máquina, que es la parte donde su sistema de escape será vulnerable al mayor calor.

Para crear esta simulación, el equipo creó máscaras de sombra, que son mapas 3D de sombras magnéticas. Estos mapas son áreas específicas en las superficies de los componentes internos de un sistema de fusión que están protegidas del calor directo. Su posición depende de la forma de las piezas dentro del tokamak así como de cómo interactúan con las líneas de campo magnético que confinan el plasma.

Acelerando simulaciones de minutos a milisegundos

Las máscaras de sombra se calcularon originalmente usando el programa informático de código abierto llamado HEAT, o el Heat flux Engineering Analysis Toolkit.

Desarrollado por Tom Looby de CFS en colaboración con el líder del Equipo de Diagnóstico SPARC, Matt Reinke, este programa se aplicó inicialmente al sistema de escape del tokamak esférico de PPPL llamado National Spherical Torus Experiment‑Upgrade (NSTX‑U), que está diseñado para ser el más potente del mundo.

Los investigadores han utilizado ahora el aprendizaje automático para complementar HEAT, desarrollando modelos sustitutos 3D para cálculos rápidos y precisos de la carga térmica.

El HEAT‑ML resultante sigue las líneas de campo magnético desde la superficie de un componente para ver si intersectan otras partes internas. Si la línea intersecta, ese punto se marca como una región sombreada, o una sombra magnética.

Todo este proceso de trazar líneas y detectar exactamente dónde se encuentran con la geometría 3D detallada de la máquina, sin embargo, era un cuello de botella significativo que podía tomar alrededor de 30 minutos para una sola simulación. Si hay geometrías complejas involucradas, puede tardar aún más.

HEAT‑ML permitió al equipo superar esta restricción, acelerando los cálculos a meros milisegundos. 

Hacia el control en tiempo real de plantas de energía de fusión

El modelo HEAT‑ML utiliza una red neuronal profunda, una forma de IA con múltiples capas ocultas aplicadas a datos para aprender tareas específicas reconociendo patrones. En este caso, HEAT‑ML se entrenó con aproximadamente 1 000 simulaciones de SPARC de HEAT para identificar regiones de sombra.

Debido a que está vinculado al diseño específico del sistema de escape de SPARC, HEAT‑ML solo funciona para esa parte de este tokamak en particular.

Así que, actualmente, es una configuración opcional en el código HEAT. Pero el equipo espera ampliar las capacidades de su modelo para generalizar los cálculos de máscaras de sombra para cualquier sistema de escape, sin importar su tamaño y forma, así como otros componentes que están en contacto con el plasma dentro del tokamak.

El escape de energía, según el estudio, es un desafío crucial para la próxima generación de dispositivos de fusión y necesita soluciones innovadoras en el diseño y operación del divertor. El estudio señaló:

“El objetivo final es integrar el modelo para el control en tiempo real y decisiones operativas futuras.” 

Invertir en energía nuclear

El gigante tecnológico Microsoft Corporation (MSFT ) está explorando activamente la energía nuclear y su aceleración mediante IA, ya que cree que debe ser parte de una combinación de fuentes de energía sin carbono. 

La directora de sostenibilidad de Microsoft, Melanie Nakagawa, ha llamado a la fusión una apuesta a más largo plazo y dijo que en los últimos años, la industria ha alcanzado diferentes tipos de hitos que han creado “mucho optimismo de que este podría ser el momento en que la fusión realmente avance dentro de esta década, o cerca de ella.”

Microsoft Corporation (MSFT )

Para sus objetivos de fusión, Microsoft firmó un acuerdo innovador con la startup privada de fusión Helion Energy en 2023. Según el acuerdo, Helion suministrará energía generada por fusión a los centros de datos de Microsoft para 2028.

También respaldada por la rama de capital de riesgo de SoftBank y Sam Altman de OpenAI, Helion comenzó la construcción este año de su planta de energía de fusión nuclear planificada llamada Orion, aunque aún no se han asegurado los permisos finales. 

El prototipo Polaris de Helion está trabajando actualmente en encontrar una forma de generar más energía de la que se necesita para crear y mantener la reacción. Orion, mientras tanto, según su CEO, se conectará a las redes de suministro de energía.

En cuanto al desempeño del mercado de Microsoft, las acciones de la empresa con una capitalización de mercado de 3,86 billones de dólares cotizan alrededor de 521 $, con un aumento del 23,41 % en lo que va del año. Tiene un EPS (TTM) de 13,64 y un P/E (TTM) de 38,25. El rendimiento de dividendos disponible es del 0,64 %.

En cuanto a los resultados financieros del trimestre que terminó el 30 de junio de 2025, reveló un aumento del 18 % en los ingresos a 76,4 mil millones de dólares, un salto del 23 % en el ingreso operativo a 34,3 mil millones de dólares, y un aumento del 24 % en la utilidad neta a 27,2 mil millones de dólares. Las ganancias diluidas por acción, mientras tanto, fueron de 3,65 $, un 24 % más.

“La nube y la IA son la fuerza impulsora de la transformación empresarial en todas las industrias y sectores.”

– CEO Satya Nadella

Últimas noticias y desarrollos de acciones de Microsoft Corporation (MSFT)

Conclusión

Una de las vías más prometedoras hacia la energía limpia es la fusión, pero el camino hacia su comercialización es largo y arduo. Sin embargo, la IA está demostrando ser el acelerador que finalmente puede convertir este sueño centenario en realidad, dentro de nuestras vidas.

Al utilizar enfoques basados en IA, los investigadores están trabajando para que los sistemas de fusión sean robustos y económicamente viables. Desde acelerar la investigación y resolver inestabilidades del plasma hasta proteger los sistemas de los reactores, la IA puede ayudar a llevar la energía nuclear a la red y permitir que la humanidad acceda a energía ilimitada.

Haga clic aquí para aprender cómo sería la cuarta generación de energía nuclear.

Referencias:

1. Degrave, J., Felici, F., Buchli, J., et al. Control magnético de los plasmas de tokamak mediante aprendizaje profundo por refuerzo. Nature, 602(7897), 414–419, publicado el 16 de febrero de 2022. https://doi.org/10.1038/s41586-021-04301-9
2. Citrin, J., Goodfellow, I., Raju, A., Chen, J., Degrave, J., Donner, C., Felici, F., Hamel, P., Huber, A., Nikulin, D., Pfau, D., Tracey, B., Riedmiller, M., & Kohli, P. TORAX: Un simulador de transporte de tokamak rápido y diferenciable en JAX. arXiv preprint arXiv:2406.06718, publicado el 10 de junio de 2024, última revisión el 7 de diciembre de 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Evitar la inestabilidad de desgarro del plasma de fusión mediante aprendizaje profundo por refuerzo. Nature, 626(8001), 746–751, publicado el 21 de febrero de 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez‑Fernandez, P., Holland, C., & Candy, J. Predicción del rendimiento y turbulencia en plasmas en combustión de ITER mediante predicción de perfiles gyrocinéticos no lineales. Nuclear Fusion, 65(1), 016002, publicado el 11 de noviembre de 2024. https://doi.org/10.1088/1741-4326/ad8804
5. Corona, D., Scotto d’Abusco, M., Churchill, M., Munaretto, S., Kleiner, A., Wingen, A., & Looby, T. Predicciones de máscaras de sombra en componentes de plasma de tokamak SPARC utilizando el código HEAT y métodos de aprendizaje automático. Fusion Engineering and Design, 217, 115010, publicado en agosto de 2025. https://doi.org/10.1016/j.fusengdes.2025.115010