Padroneggiare la fusione con l’IA per sbloccare energia pulita infinita

Con i combustibili fossili che si esauriscono rapidamente e il cambiamento climatico che peggiora, siamo in una necessità di energia pulita. 

Mentre le fonti di energia rinnovabile offrono un’alternativa promettente, hanno le proprie sfide in termini di limitazioni di stoccaggio dell’energia, complessità di integrazione nella rete, costi iniziali elevati e natura intermittente di alcune fonti come solare e eolico. Inoltre, l’uso del suolo, le barriere politiche e la necessità di infrastrutture robuste rappresentano anch’essi ostacoli significativi. 

Questo è dove l’energia nucleare può cambiare le regole del gioco. L’energia nucleare è una forma di energia rilasciata dal nucleo, che è il nucleo centrale carico positivamente degli atomi, composto da protoni e neutroni. 

Secondo l’Agenzia Internazionale dell’Energia (IEA), l’energia nucleare rappresenta circa il 10% della generazione elettrica a livello globale. 

Ma nonostante la sua capacità di produrre energia senza emissioni, i costi iniziali elevati, i lunghi tempi di consegna e una scarsa affidabilità nelle consegne puntuali stanno limitando l’adozione dell’energia nucleare, osserva l’IEA. Tuttavia, un nuovo slancio a livello globale ha il potenziale di aprire una nuova era per l’energia nucleare con reattori che inizieranno le operazioni commerciali in Cina, Europa, India, Giappone e Corea.

Ora, ci sono due modi in cui questa fonte di energia può essere prodotta:

• Fusione
• Fissione

La fissione è il processo in cui i nuclei di atomi pesanti si dividono in nuclei più piccoli. La fusione è il processo in cui i nuclei di atomi più leggeri si fondono insieme per formare uno più pesante. Entrambi rilasciano enormi quantità di energia.

Mentre solo la fissione è attualmente utilizzata su larga scala per la generazione di elettricità, oggi il nostro focus è sulla fusione nucleare.

Ancora nella fase di ricerca e sviluppo, la fusione nucleare contribuisce molto poco alla produzione energetica globale, sebbene abbia un enorme potenziale per il futuro. È in realtà una delle fonti di energia più ecologiche, poiché non vengono emessi anidride carbonica o altre emissioni nocive durante il processo.

L’elettricità a zero emissioni di carbonio prodotta dalle centrali a fusione può fluire continuamente, indipendentemente dal tempo o dal fatto che sia giorno o notte. A differenza della fissione, la fusione non genera nemmeno potenziali catastrofi di fusione o rifiuti nucleari radioattivi a lungo termine.

Non solo la fusione non contribuisce alle emissioni di gas serra (GHG), le sue due principali fonti di combustibile, l’idrogeno (per il deuterio) e il litio (per il trizio), sono anche ampiamente disponibili.

In questo contesto, ci si prevede che la fusione nucleare soddisfi le esigenze energetiche dell’umanità per milioni di anni, e ciò ha spinto i paesi di tutto il mondo a lavorare attivamente per renderla una realtà. 

Ostacoli tra la visione dell’energia nucleare e la realtà

Nel 1915 il concetto di fusione nucleare fu proposto per la prima volta dal chimico americano William Draper Harkins. Ma non l’abbiamo ancora realizzato in modo significativo. 

Le reazioni di fusione costituiscono in realtà la fonte fondamentale di energia delle stelle, incluso l’enorme palla di gas caldo, il Sole. È il processo chiamato fusione termonucleare che ha mantenuto il Sole e le stelle brillanti per milioni di anni.

Nella fusione termonucleare, i nuclei atomici si combinano a temperature estremamente elevate, da dieci a cento milioni di gradi Celsius, fornendo energia sufficiente a superare la repulsione elettrica reciproca di due nuclei. Poi si fondono per formare un unico nucleo e rilasciano energia significativa.

La massiccia forza gravitazionale del Sole gioca un ruolo chiave qui, poiché produce pressione estrema, calore e le condizioni per la fusione. Senza gravità, il Sole non sarebbe sufficientemente caldo e denso perché la fusione avvenga. 

Ora, creare la fusione nucleare sulla Terra senza i livelli schiaccianti di gravità significa inserire isotopi leggeri in un reattore e poi riscaldarli a centinaia di milioni di gradi Celsius, trasformandoli in un ‘plasma’ ionizzato.

Il plasma è un gas carico composto da ioni positivi ed elettroni liberi. È estremamente caldo e difficile da controllare, richiedendo un campo magnetico per impedirne la fuga.

Gli scienziati sono riusciti a raggiungere regolarmente le condizioni per la fusione nucleare, ma la stabilità del plasma e le proprietà di confinamento migliorate devono ancora essere raggiunte per mantenere la reazione e produrre energia in modo sostenuto.

Ad esempio, alla fine del 2022, un esperimento di fusione da miliardi di dollari è finalmente riuscito a far rilasciare a un piccolo campione di isotopo più energia dell’energia laser usata per accenderlo, ma è durato solo circa un decimo di nanosecondo.

Quindi, la fusione nucleare è un processo molto impegnativo, che richiede condizioni estreme di alte temperature e pressione intensa.

Poi, c’è la necessità di stabilizzare il plasma, impedirgli di toccare le pareti del reattore e ridurre al minimo la perdita di calore, rendendo difficile sostenere la reazione. In termini di ingegneria, abbiamo bisogno di grandi e potenti magneti superconduttori per confinare il plasma nei tokamak, un tipo comune di reattore a fusione a forma di ciambella, e di sistemi di vuoto avanzati per raggiungere e mantenere pressioni estremamente basse.

Inoltre, abbiamo bisogno di materiali che possano resistere ad alte temperature, elevati flussi di calore e intensa radiazione neutronica. Per affrontare queste sfide, gli scienziati si stanno rivolgendo all’intelligenza artificiale (IA). 

L’IA sta assumendo un ruolo sempre più vitale nell’accelerare la ricerca e lo sviluppo della fusione nucleare. Sfruttando il machine learning e altri algoritmi di IA, i ricercatori stanno ottimizzando il design dei reattori, individuando e correggendo errori di misurazione fondamentali, accelerando la scoperta di materiali, prevedendo e prevenendo le interruzioni del plasma, controllando lo stato del plasma e migliorando l’efficienza e la stabilità delle reazioni di fusione.

Gestendo enormi quantità di dati complessi e le intricate relazioni tra le diverse componenti del processo di fusione, l’IA può migliorare ulteriormente la nostra comprensione, accelerare lo sviluppo di nuovi progetti di reattori e ridurre significativamente i tempi di sviluppo, aprendo la strada alla commercializzazione dell’energia nucleare.

L’IA aiuta a superare le barriere fisiche della fusione

L’IA sta trasformando rapidamente le industrie, incluso il settore energetico, dove sta contribuendo a risolvere la crisi energetica globale raggiungendo energia nucleare illimitata e priva di carbonio. 

In regard to that, Google DeepMind utilized deep reinforcement learning (RL) per controllare con successo il plasma¹ in un tokamak e scolpirlo con precisione in diverse forme. Per sviluppare il sistema RL, hanno collaborato con il Swiss Plasma Center dell’EPFL. Il sistema scopre autonomamente come controllare le bobine magnetiche che circondano un tokamak e contenere il plasma al suo interno.

L’anno scorso, l’azienda ha anche rilasciato un simulatore di plasma chiamato TORAX², che modella il “nucleo” del plasma e poi prevede i cambiamenti di temperatura, densità e corrente elettrica. 

All’inizio dell’anno scorso, un team dell’Università di Princeton ha anche usato il RL per prevedere la forma principale delle perturbazioni nel plasma di fusione fino a 300 millisecondi prima che compaiano. Conosciute come “instabilità di modalità di lacerazione”, si verificano quando le linee del campo magnetico all’interno di un plasma si rompono, permettendo al plasma di sfuggire e interrompendo così il processo di fusione. 

Ci si aspetta che queste instabilità “diventino ancora più evidenti man mano che cerchiamo di far funzionare le reazioni di fusione alle alte potenze necessarie per produrre energia sufficiente”, ha dichiarato il primo autore Jaemin Seo, professore assistente di fisica presso l’Università Chung-Ang della Corea del Sud. “Sono una sfida importante da risolvere per noi”.

Il loro modello di IA prevede in anticipo le potenziali instabilità di modalità di lacerazione³ e poi apporta modifiche a determinati parametri operativi per evitare la lacerazione all’interno delle linee del campo magnetico del plasma.

Il modello, addestrato su dati sperimentali passati, ha l’obiettivo di mantenere una reazione ad alta potenza, insieme a condizioni da evitare, come l’instabilità di modalità di lacerazione, e le impostazioni che può modificare per raggiungere questi risultati. Col tempo, il modello di IA “impara il percorso ottimale” per sostenere l’obiettivo di alta potenza evitando l’instabilità.

“Imparando dagli esperimenti passati, invece di incorporare informazioni da modelli basati sulla fisica, l’IA potrebbe sviluppare una politica di controllo finale che supporti un regime di plasma stabile e ad alta potenza in tempo reale, in un reattore reale.”

– Capo ricercatore Egemen Kolemen

Mentre il modello eseguiva innumerevoli esperimenti di fusione simulati per trovare percorsi, in sottofondo il team osservava le sue “intenzioni” e affinava le azioni, agendo da arbitro “tra ciò che l’IA vuole fare e ciò che il tokamak può accettare”.

Il team di ingegneri, fisici e data scientist ha testato e dimostrato il loro modello in esperimenti presso il DIII-D National Fusion Facility a San Diego.

Then, earlier this year, a research paper titled “Previsione delle prestazioni e della turbolenza nei plasma in combustione di ITER tramite previsione di profili gyrocinetici non lineari“⁴ è stato pubblicato da Nathan Howard, un principale ricercatore scientifico al MIT Plasma Science and Fusion Center (PSFC).

Howard e il suo team hanno usato il ML e simulazioni per prevedere come si comporterà il plasma in un dispositivo di fusione. 

Nel documento, hanno spiegato che le simulazioni ad alta risoluzione della turbolenza confermano che il tokamak ITER, il più grande dispositivo sperimentale di fusione al mondo attualmente in costruzione nel sud della Francia, funzionerà come previsto quando inizierà l’operazione, che non avverrà prima del 2035.

Per verificare lo scenario, il team ha usato CGYRO, un programma ad alta intensità temporale che applica un modello complesso di fisica del plasma a determinate condizioni operative per produrre simulazioni dettagliate del comportamento del plasma in diverse posizioni all’interno di un dispositivo di fusione.

Le simulazioni sono state poi eseguite attraverso il framework PORTALS, che prende le esecuzioni ad alta fedeltà e utilizza il ML per costruire un ‘surrogato’, un modello che “può imitare i risultati delle esecuzioni più complesse, ma molto più velocemente”.

Gli strumenti di modellazione ad alta fedeltà come PORTALS, hanno osservato i ricercatori, forniscono “uno sguardo al nucleo del plasma prima ancora che si formi. Questo approccio predittivo ci consente di creare plasma più efficienti in un dispositivo come ITER”.

Il team ha anche dimostrato diverse configurazioni operative in cui la stessa quantità di energia prodotta può essere ottenuta ma con un minore apporto energetico.

Swipe to scroll →

Mappare le ombre della fusione con HEAT-ML 

Un nuovo approccio IA è ora in uso per proteggere l’interno dei reattori di fusione dal calore estremo del plasma. Questo nuovo metodo sta accelerando la velocità dei calcoli richiesti per trovare le “ombre magnetiche” nei contenitori di fusione.

Queste ombre sono rifugi sicuri che sono protetti dal intenso calore del plasma.

La sfida termica all’interno del Tokamak

Come spiegato sopra, quando il plasma è confinato nel tokamak usando campi magnetici, il calore proveniente dal plasma raggiunge una temperatura ancora più alta del nucleo del sole. Per sfruttare la fusione, questo calore deve essere controllato.

“I componenti a contatto con il plasma del tokamak potrebbero entrare in contatto con il plasma, che è molto caldo e può fondere o danneggiare questi elementi. La cosa peggiore che può accadere è che si debba interrompere le operazioni.”

Quindi, per superare questo problema, i ricercatori stanno utilizzando l’IA che può accelerare i calcoli che prevedono esattamente dove il calore colpirà nel tokamak.

Accelerando significativamente i calcoli HEAT, il modello consente la possibilità di applicazioni in tempo reale per la protezione del divertore e azioni di controllo.

Una collaborazione per guidare l’innovazione nella fusione

Una partnership pubblico-privata tra PPL, l’Oak Ridge National Laboratory del Dipartimento dell’Energia degli Stati Uniti (DOE) e la società di energia di fusione Commonwealth Fusion Systems (CFS), una spin-off del MIT che mira a costruire una piccola centrale di fusione basata sul design del tokamak ARC, ha portato a questo nuovo approccio IA chiamato HEAT-ML.

Il modello surrogato basato su ML (HEAT-ML) è dettagliato nello studio più recente intitolato “Previsioni delle maschere d’ombra nei componenti a contatto con il plasma del tokamak SPARC usando il codice HEAT e metodi di machine learning”.⁵

HEAT-ML mira a gettare le basi per un software che acceleri la progettazione dei futuri sistemi di fusione, nonché a prevenire eventuali problemi prima che si verifichino regolando il plasma, consentendo decisioni informate.

“Questa ricerca dimostra che è possibile prendere un codice esistente e creare un surrogato IA che accelererà la capacità di ottenere risposte utili, e apre interessanti prospettive in termini di controllo e pianificazione di scenari.”

– Coautore del documento, Michael Churchill, capo dell’ingegneria digitale al PPPL.

Mappare le ombre magnetiche per proteggere i materiali

HEAT-ML è stato specificamente realizzato per simulare una piccola parte di SPARC.

SPARC è un tokamak attualmente in fase di sviluppo da parte di CFS in collaborazione con il MIT PSFC. È previsto che inizi le operazioni il prossimo anno e mira a dimostrare un guadagno energetico netto, generando più energia di quanta ne consuma entro il 2027.

Per raggiungere questo obiettivo, i ricercatori stanno simulando come il calore influisce sull’interno di questo tokamak.

Una grande sfida informatica, i ricercatori la rendono gestibile concentrandosi sulla sezione SPARC, dove la gravità dell’espulsione del calore del plasma incontra la parete del materiale. Sono 15 piastrelle intorno alla base della macchina, che è la parte in cui il sistema di espulsione sarà più vulnerabile al calore.

Per creare questa simulazione, il team ha creato maschere d’ombra, che sono mappe 3D delle ombre magnetiche. Queste mappe sono aree specifiche sulle superfici dei componenti interni di un sistema di fusione che sono protette dal calore diretto. La loro posizione dipende dalla forma delle parti all’interno del tokamak così come dal modo in cui interagiscono con le linee del campo magnetico che confinano il plasma.

Accelerare le simulazioni da minuti a millisecondi

Le maschere d’ombra sono state originariamente calcolate usando il programma informatico open-source chiamato HEAT, o Heat flux Engineering Analysis Toolkit.

Sviluppato da Tom Looby di CFS in collaborazione con il capo del SPARC Diagnostic Team, Matt Reinke, questo programma è stato inizialmente applicato al sistema di espulsione del tokamak sferico di PPPL chiamato National Spherical Torus Experiment-Upgrade (NSTX-U), che è progettato per essere il più potente al mondo.

I ricercatori hanno ora utilizzato il machine learning per integrare HEAT, sviluppando modelli surrogati 3D per calcoli rapidi e precisi del carico termico.

L’HEAT-ML risultante segue le linee del campo magnetico dalla superficie di un componente per verificare se intersecano altre parti interne. Se la linea interseca, quel punto è contrassegnato come zona d’ombra, o ombra magnetica.

Questo intero processo di tracciamento delle linee e di individuazione di dove incontrano la dettagliata geometria 3D della macchina, tuttavia, era un collo di bottiglia significativo che poteva richiedere circa 30 minuti per una singola simulazione. Se sono coinvolte geometrie complesse, può richiedere ancora più tempo.

HEAT-ML ha permesso al team di superare questa limitazione, accelerando i calcoli a pochi millisecondi. 

Verso il controllo in tempo reale delle centrali di fusione

Il modello HEAT-ML utilizza una rete neurale profonda, una forma di IA con più strati nascosti applicati ai dati per apprendere compiti specifici riconoscendo schemi. In questo caso, HEAT-ML è stato addestrato su circa 1.000 simulazioni SPARC da HEAT per identificare le regioni d’ombra.

Poiché è collegato al design specifico del sistema di espulsione di SPARC, HEAT-ML funziona solo per quella parte di questo particolare tokamak.

Quindi, attualmente è un’impostazione opzionale nel codice HEAT. Ma il team spera di ampliare le capacità del loro modello per generalizzare i calcoli delle maschere d’ombra per qualsiasi sistema di espulsione, indipendentemente dalle dimensioni e dalla forma, così come per altri componenti a contatto con il plasma all’interno del tokamak.

L’espulsione di potenza, secondo lo studio, è una sfida cruciale per la prossima generazione di dispositivi di fusione e richiede soluzioni innovative nel design e nell’operazione del divertore. Lo studio ha osservato:

“L’obiettivo finale è integrare il modello per il controllo in tempo reale e le decisioni operative future.” 

Investire nell’energia nucleare

Il colosso tecnologico Microsoft Corporation (MSFT ) sta attivamente esplorando l’energia nucleare e la sua accelerazione tramite IA, poiché crede che debba far parte di un mix di fonti di energia senza carbonio. 

La chief sustainability officer di Microsoft, Melanie Nakagawa, ha definito la fusione una scommessa a lungo termine e ha detto che negli ultimi anni diversi tipi di traguardi sono stati raggiunti dall’industria, creando “molto ottimismo sul fatto che questo potrebbe essere il momento in cui la fusione si realizzerà realmente entro questo decennio, o quasi in questo decennio”.

Microsoft Corporation (MSFT )

Per i suoi obiettivi di fusione, Microsoft ha firmato un accordo rivoluzionario con la startup privata di fusione Helion Energy nel 2023. Secondo l’accordo, Helion fornirà energia generata dalla fusione ai data center di Microsoft entro il 2028.

Supportata anche dal braccio di venture capital di SoftBank e da Sam Altman di OpenAI, Helion ha iniziato quest’anno la costruzione della sua prevista centrale di fusione nucleare chiamata Orion, sebbene i permessi finali non siano ancora stati ottenuti. 

Il prototipo Polaris di Helion sta attualmente lavorando per trovare un modo per generare più energia di quella necessaria per creare e sostenere la reazione. Orion, nel frattempo, secondo il suo CEO, si collegherà alle reti di distribuzione di energia.

Per quanto riguarda le performance di mercato di Microsoft, le azioni della società con una capitalizzazione di mercato di 3,86 trilioni di dollari sono scambiate intorno a 521 dollari, in crescita del 23,41% YTD. Ha un EPS (TTM) di 13,64 e un P/E (TTM) di 38,25. Il rendimento del dividendo disponibile è dello 0,64%.

As for dati finanziari per il trimestre conclusosi il 30 giugno 2025, ha rivelato un aumento del 18% dei ricavi a 76,4 miliardi di dollari, un salto del 23% del reddito operativo a 34,3 miliardi di dollari e un aumento del 24% del reddito netto a 27,2 miliardi di dollari. Gli utili diluiti per azione, nel frattempo, erano 3,65 dollari, in crescita del 24%.

“Il cloud e l’IA sono la forza trainante della trasformazione aziendale in tutti i settori e industrie.”

– CEO Satya Nadella

Ultime Microsoft Corporation (MSFT) Notizie azionarie e sviluppi

Conclusione

Uno dei percorsi più promettenti verso l’energia pulita è la fusione, ma la strada verso la sua commercializzazione è lunga e ardua. Tuttavia, l’IA si sta dimostrando l’acceleratore che può finalmente trasformare questo sogno secolare in realtà, ben entro la nostra vita.

Utilizzando approcci basati sull’IA, i ricercatori stanno lavorando per rendere i sistemi di fusione robusti ed economicamente sostenibili. Dall’accelerare la ricerca e risolvere le instabilità del plasma alla protezione dei sistemi del reattore, l’IA può aiutare a portare l’energia nucleare nella rete e consentire all’umanità di accedere a energia illimitata.

Clicca qui per scoprire come sarebbe la quarta generazione di energia nucleare.

Riferimenti:

1. Degrave, J., Felici, F., Buchli, J., et al. Controllo magnetico dei plasma dei tokamak tramite deep reinforcement learning. Nature, 602(7897), 414–419, pubblicato 16 febbraio 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 simulatore di trasporto di tokamak veloce e differenziabile in JAX. arXiv preprint arXiv:2406.06718, pubblicato 10 giugno 2024, ultima revisione 7 dicembre 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Evitare l’instabilità di lacerazione del plasma di fusione con deep reinforcement learning. Nature, 626(8001), 746–751, pubblicato 21 febbraio 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Previsione delle prestazioni e della turbolenza nei plasma in combustione di ITER tramite previsione di profili gyrocinetici non lineari. Nuclear Fusion, 65(1), 016002, pubblicato 11 novembre 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. Previsioni delle maschere d’ombra nei componenti a contatto con il plasma del tokamak SPARC usando il codice HEAT e metodi di machine learning. Fusion Engineering and Design, 217, 115010, pubblicato agosto 2025. https://doi.org/10.1016/j.fusengdes.2025.115010