IA e Fusão Nuclear – Usando uma Tecnologia Disruptiva para Avançar a Outra

 A inteligência artificial foi um dos principais avanços tecnológicos da última década e passou a apoiar pesquisas em muitos setores. Um deles é a fusão nuclear, que busca transformar a união de núcleos leves em uma fonte prática de energia.

Com potencial para fornecer energia de baixo carbono a partir de combustíveis abundantes, a fusão nuclear é uma tecnologia promissora que pode se tornar uma importante fonte de eletricidade. 

Entre suas vantagens potenciais estão a elevada densidade energética do combustível, baixas emissões operacionais e características de segurança distintas das da fissão. Sua exploração comercial ainda exige resolver desafios técnicos e econômicos.

Um exemplo do progresso foi o recorde de energia de fusão do JET: anunciado em 2024, foi obtido nos experimentos de 2023, com 69 megajoules liberados em cinco segundos e cerca de 0,2 miligrama de combustível. Trata-se de energia térmica de fusão, não de eletricidade entregue à rede, e o dispositivo consumiu mais energia do que produziu. 

A duração do plasma varia entre dispositivos e não deve ser confundida com produção sustentada de energia útil. A IA é uma das ferramentas investigadas para melhorar o controle desses sistemas.

Os avanços em inteligência artificial nos últimos anos ampliaram seu uso na pesquisa científica, inclusive na física de plasmas e no desenvolvimento de materiais para fusão. 

As aplicações incluem prever instabilidades, ajustar controles em tempo real, analisar projetos e acelerar cálculos sobre o plasma e os materiais. Cada tarefa exige modelos e validações específicos.

O prazo para gerar eletricidade de fusão em escala comercial permanece incerto. A IA pode ajudar a acelerar partes da pesquisa e da engenharia necessárias.

Steven Cowley, diretor do Laboratório de Física de Plasma de Princeton (PPPL), do Departamento de Energia dos Estados Unidos, e professor de ciências astrofísicas, afirmou:

“A fusão pode acabar sendo a aplicação decisiva da IA.”

Em 2024, pesquisadores de Princeton e do PPPL apresentaram um controlador de IA para prever e evitar instabilidades de rasgamento do plasma em experimentos no tokamak DIII-D. Essas instabilidades podem contribuir para a perda do confinamento magnético.

O sistema conseguia antecipar essas instabilidades em até 300 milissegundos e ajustar os controles para evitá-las nas condições testadas.

As interrupções abruptas do plasma são um obstáculo importante para reatores que precisariam operar de maneira confiável por longos períodos.

“Como as interrupções e instabilidades são muito problemáticas, desenvolver soluções como esta aumenta a confiança de que podemos operar essas máquinas sem problemas.”

— Egemen Kolemen, autor do estudo e professor de engenharia mecânica e aeroespacial de Princeton

IA na busca por novas ligas para instalações de fusão

Um estudo liderado pelo Laboratório Nacional de Oak Ridge (ORNL), do Departamento de Energia dos Estados Unidos, produziu dados computacionais para apoiar modelos de IA na identificação de novas ligas para componentes de reatores de fusão.

O projeto começou sob a liderança de David Womble, então diretor da iniciativa de IA do laboratório. Mais tarde, continuou na área de Inteligência Artificial para Descoberta Científica, AISD.

O custo dos cálculos de grande escala estimula a integração do aprendizado de máquina com a ciência dos materiais e a mecânica quântica.

Modelos de aprendizado profundo podem representar relações não lineares entre a configuração dos átomos e as propriedades de um material.

Depois de treinado e validado, um modelo pode estimar determinadas propriedades em uma fração do tempo de um cálculo completo de teoria do funcional da densidade, DFT. Essa economia pode acelerar a seleção de ligas multicomponentes para estudos posteriores.

O trabalho busca materiais que mantenham resistência mecânica e estabilidade em temperaturas elevadas. Para aplicações de fusão, também importam a resposta à radiação e às cargas térmicas.

O tungstênio é um material importante para componentes expostos ao plasma por seu elevado ponto de fusão. A adição de outros elementos pode modificar suas propriedades, mas o desempenho depende da composição e das condições de uso.

Os pesquisadores investigam alternativas que Massimiliano Lupo Pasini, cientista de dados de IA do ORNL, descreveu como “algo completamente novo e disruptivo”.

Identificar combinações promissoras é difícil porque o número de composições possíveis é enorme.

A equipe gerou dados computacionais sobre três elementos para apoiar modelos que ajudem a selecionar candidatos. A triagem por IA orienta a pesquisa, mas não substitui a avaliação experimental dos materiais.

O estudo, publicado na revista Scientific Data, apresenta quatro conjuntos de dados abertos com resultados de DFT sobre propriedades do estado fundamental das ligas.

Os conjuntos abrangem nióbio-vanádio (NbV), nióbio-tântalo (NbTa), tântalo-vanádio (TaV) e a liga ternária NbTaV, em estruturas cúbicas de corpo centrado (BCC) representadas por supercélulas de 128 sítios.

A relevância para a fusão está na busca por materiais capazes de suportar temperaturas elevadas, radiação e esforços mecânicos. Ligas com melhor desempenho podem contribuir para a confiabilidade e a vida útil dos componentes.

A identificação mais rápida de candidatos pode reduzir uma das dificuldades do desenvolvimento de reatores, ao concentrar os testes em composições mais promissoras.

Dados e modelos para acelerar a descoberta científica

A geração do banco de dados é uma etapa do projeto. Os resultados dos cálculos serão usados para desenvolver, treinar e avaliar modelos de aprendizado de máquina para descoberta e projeto de materiais.

Lupo Pasini explicou que a equipe pretendia ampliar a cobertura para seis elementos no desenvolvimento de novas ligas refratárias de alta entropia.

As ligas de alta entropia combinam vários elementos em proporções relevantes. Em um trabalho anterior, pesquisadores investigaram combinações de 14 elementos e calcularam estabilidade e propriedades elásticas de mais de 7.000 ligas usando métodos quânticos de alto rendimento.

Wei Chen, professor associado de ciência e engenharia de materiais do Illinois Institute of Technology, descreveu esse trabalho como o “maior banco de dados das propriedades elásticas de ligas de alta entropia”.

No projeto mais recente, os cálculos quânticos continuaram exigindo recursos consideráveis. Como observou a equipe, “os dados sozinhos não serão suficientes”: é necessário desenvolver os modelos que os utilizarão.

Gerar os conjuntos de dados levou mais de um ano de cálculos nos supercomputadores Perlmutter e Summit.

O Summit integrava a Oak Ridge Leadership Computing Facility, no ORNL. O Perlmutter fica no Lawrence Berkeley National Laboratory. Ambos são recursos de pesquisa do Office of Science do Departamento de Energia dos Estados Unidos.

Na etapa seguinte, os dados servirão para treinar modelos que explorem o grande espaço de composições formado pela mistura dos seis elementos em concentrações diferentes.

“Estamos tentando ajudar os cientistas de materiais em suas abordagens de tentativa e erro, identificando as proporções dos diferentes elementos que precisam ser misturados para criar ligas capazes de levar a avanços tecnológicos disruptivos na fusão.”

— Massimiliano Lupo Pasini

Essa abordagem também aparece em outras pesquisas sobre materiais. Em 2023, uma equipe liderada por Lupo Pasini gerou conjuntos de dados com propriedades espectrais no ultravioleta e no visível de mais de 10 milhões de moléculas orgânicas.

A interação das moléculas com a luz ajuda a revelar propriedades eletrônicas e ópticas relevantes para aplicações como imagens médicas e células solares.

Cálculos de química quântica em computadores de alto desempenho produziram os dados. Eles podem treinar modelos de aprendizado profundo para identificar moléculas com propriedades optoeletrônicas e fotoatividade desejadas.

Lupo Pasini observou que investigar todos esses sistemas por experimentos e cálculos de primeiros princípios teria um custo proibitivo. Os modelos de aprendizado profundo oferecem “ferramentas muito promissoras para superar essas barreiras”.

A arquitetura HydraGNN representa estruturas atômicas ou moleculares como grafos e aprende a estimar propriedades que, de outra forma, exigiriam cálculos de primeiros princípios.

Em 2024, a equipe demonstrou a escalabilidade do HydraGNN nos sistemas Perlmutter, Frontier e Summit, visando previsões rápidas de propriedades de materiais.

A demonstração mostrou como distribuir redes neurais de grafos em grandes sistemas de computação para acelerar a análise de estruturas e relações complexas.

Empresas relacionadas aos setores de energia, IA e materiais 

IA e fusão atraem investimentos, mas a participação nos setores de computação, materiais ou energia nuclear não implica receita direta com fusão. Os exemplos abaixo têm exposições distintas a essas atividades. 

#1. General Electric (GE)

A General Electric (GE ) passou a operar como GE Aerospace após a separação da GE Vernova (GEV ) em 2 de abril de 2024. As atividades de geração de energia e de fissão nuclear ficaram na GE Vernova, incluindo a participação na GE Hitachi Nuclear Energy e tecnologias de reatores de água fervente. Pesquisa sobre sensores, inspeção e combustível usado pertence ao contexto da fissão e não demonstra, por si só, atuação comercial em fusão.

Em um retrato de mercado de 2024, a GE Aerospace tinha valor de mercado de US$ 204,469 bilhões, cotação de US$ 188,94 e alta de 47,83% no ano. O lucro por ação nos 12 meses anteriores era de US$ 4,28, com P/L de 44,09 e rendimento de dividendos de 0,59%.

A GE Vernova, empresa independente, reportou receita de US$ 8,2 bilhões e lucro líquido de US$ 1,3 bilhão no segundo trimestre de 2024. O resultado incluiu o ganho com a venda de parte das atividades nucleares de Steam Power à EDF. Os pedidos somaram US$ 11,8 bilhões, cerca de 1,4 vez a receita. O caixa gerado pelas operações foi de aproximadamente US$ 1 bilhão, e o saldo de caixa passou de US$ 4,2 bilhões após a separação para US$ 5,8 bilhões ao fim do trimestre.

“As tendências globais de eletrificação e descarbonização continuam impulsionando a demanda por nossos produtos e serviços.”

— Scott Strazik, CEO da GE Vernova

#2. IBM (IBM)

A NVIDIA (NVDA ) fornece tecnologia importante para IA e supercomputação; em um retrato de mercado de 2024, suas ações acumulavam alta de 134,76% no ano. A IBM trabalha com IA e computação quântica, inclusive sistemas acessíveis pela nuvem para pesquisa.

A computação quântica pode apoiar pesquisas futuras em simulação de materiais, enquanto ferramentas convencionais de análise de dados já são aplicadas à operação de usinas nucleares. A IBM publicou trabalhos sobre o uso de dados para otimizar a geração de energia nuclear.

Em um retrato de mercado de 2024, a IBM tinha valor de mercado de US$ 201,54 bilhões e cotação de US$ 218,80, alta de 34,82% no ano. O lucro por ação dos 12 meses anteriores era de US$ 9,53, com P/L de aproximadamente 22,96 e rendimento de dividendos de 3,05%.

No segundo trimestre de 2024, a IBM reportou receita de US$ 15,8 bilhões, alta de 2%, com destaque para software. A margem bruta foi de 56,8% pelos critérios GAAP e de 57,8% na medida operacional ajustada, não GAAP. No primeiro semestre, o caixa líquido gerado pelas operações foi de US$ 6,2 bilhões, e o fluxo de caixa livre chegou a US$ 4,5 bilhões.

#3. ATI Inc. (ATI)

A ATI produz metais e ligas especiais que podem ter aplicações em ambientes exigentes. Seu segmento High Performance Materials & Components (HPMC) fornece, entre outros produtos, titânio e ligas de titânio para os setores aeroespacial, médico e de energia. Advanced Alloys & Solutions (AA&S) fornece materiais como zircônio e ligas para os mercados automotivo, eletrônico, energético e de defesa.

Em um retrato de mercado de 2024, a ATI tinha valor de mercado de US$ 8,20 bilhões, cotação de US$ 66 e alta de 44,74% no ano, com lucro por ação de US$ 2,94 e P/L de 22,48.

No segundo trimestre de 2024, a ATI reportou vendas de aproximadamente US$ 1,1 bilhão, 5% acima do trimestre anterior. O lucro líquido foi de US$ 81,9 milhões, ou US$ 0,58 por ação. O lucro por ação cresceu 26% em relação ao primeiro trimestre; o lucro líquido aumentou cerca de 24%. O EBITDA ajustado foi de US$ 182,6 milhões.

“Nossa execução e capacidade de aproveitar oportunidades de mercado nos permitem ampliar as margens e gerar um forte fluxo de caixa operacional.”

— Kimberly A. Fields, presidente e CEO

Conclusão

A integração da IA à pesquisa de fusão oferece ferramentas para enfrentar problemas de controle do plasma e desenvolvimento de materiais. Esses avanços podem acelerar etapas importantes do trabalho científico e de engenharia.

A previsão de instabilidades e a seleção de novas ligas são exemplos concretos desse progresso. Transformar os resultados de pesquisa em geração elétrica comercial ainda exige integrar e demonstrar os demais componentes de um sistema de fusão.

Clique aqui para saber mais sobre investir em inteligência artificial.