IA Assume o Controle dos Sistemas de Fusão em Milissegundos

Os pesquisadores de fusão estão tentando controlar a matéria em temperaturas mais quentes que o centro do Sol. Esse desafio deixa quase nenhuma margem para decisões atrasadas. Uma instabilidade de plasma pode se desenvolver em milissegundos, enquanto uma simulação física detalhada pode exigir dias ou meses para ser concluída. Os operadores humanos podem definir os objetivos, mas não conseguem reagir manualmente rápido o suficiente a cada mudança dentro de um experimento de fusão.

Um novo estudo¹ de pesquisadores da Princeton University e do Princeton Plasma Physics Laboratory descreve uma resposta prática para esse problema de controle. A equipe desenvolveu o PACMAN, abreviação de Prediction And Control using MAchiNe learning, e o implantou no tokamak DIII-D, na Califórnia. Em vez de executar uma única tarefa estreita de IA, o PACMAN fornece uma estrutura comum através da qual diferentes modelos podem ler dados de diagnóstico, fazer previsões, coordenar controladores e enviar comandos para equipamentos físicos.

Pesquisas de fusão já possuem modelos de aprendizado de máquina poderosos. O problema mais difícil é transformá‑los em componentes confiáveis em tempo real sem reconstruir o pipeline de controle para cada experimento. O PACMAN aborda essa camada ausente.

Por que a fusão requer controle de IA em tempo real

Um tokamak confina plasma eletricamente carregado usando campos magnéticos. Manter condições úteis requer ajustes constantes nos sistemas de aquecimento, bobinas magnéticas, injeção de gás e outros equipamentos. Pequenas perturbações podem crescer em instabilidades que reduzem o desempenho ou encerram completamente a descarga de plasma.

Controladores tradicionais permanecem eficazes quando os engenheiros podem descrever a resposta desejada com antecedência. Contudo, regimes avançados de plasma envolvem interações não lineares, medições incompletas e condições que mudam rápido demais para cálculos exaustivos. O aprendizado de máquina pode aproximar esse comportamento e fornecer uma resposta dentro do tempo disponível.

A importância mais ampla dessa abordagem já se tornou visível. Pesquisas anteriores mostraram que IA pode prever e prevenir instabilidades de fusão antes que sistemas convencionais respondessem. O PACMAN estende o conceito de uma demonstração individual de previsão e controle para uma arquitetura capaz de suportar vários modelos, controladores e objetivos.

De acordo com o anúncio da PPPL acompanhante, a estrutura completa normalmente opera em aproximadamente 20 milissegundos. Em um experimento, um modelo de aprendizado de máquina antecipou uma instabilidade de modo de rasgo cerca de 200 milissegundos antes. Esse intervalo pode parecer breve, mas dá ao controlador automatizado tempo suficiente para redirecionar o aquecimento e mudar as condições do plasma antes que a instabilidade se estabeleça.

Como funciona a estrutura PACMAN para fusão

O PACMAN organiza o controle em tempo real em quatro blocos consecutivos. O bloco de entrada coleta medições diagnósticas e verifica sua validade. O bloco de modelo permite que modelos de aprendizado de máquina, convencionais ou baseados em física interpretem essas entradas. O bloco de controlador traduz previsões em ações desejadas. Finalmente, o bloco de saída resolve solicitações concorrentes, aplica restrições de hardware e envia comandos aprovados ao tokamak.

O sistema pode, portanto, separar inteligência de autoridade. Um modelo de IA pode recomendar uma ação, mas sua saída não contorna a arquitetura de controle circundante. Os comandos ainda são verificados contra limites dos atuadores, e os pesquisadores definem os objetivos e a configuração para cada experimento.

A estrutura inclui várias salvaguardas práticas:

• A validação de entrada identifica dados diagnósticos ausentes ou inválidos.
• A filtragem passa-baixa pode evitar reações a medições isoladas e imprecisas.
• O tratamento de conflitos arbitra entre solicitações concorrentes de atuadores.
• Os limites de saída evitam que comandos excedam as restrições de hardware.

Esse design oferece uma lição útil para IA crítica à segurança: a confiabilidade não precisa depender de um modelo infalível. O sistema circundante pode assumir que os modelos encontrarão dados ruins ou produzirão saídas inadequadas, então limitar sua influência sobre o equipamento físico.

Cinco experimentos demonstram a flexibilidade da estrutura

Os pesquisadores usaram o PACMAN em cinco aplicações experimentais no DIII-D. Estas não foram cinco variações da mesma rede neural. Elas incluíram aprendizado por reforço, modelos de sobrevivência, computação de reservatório e controle preditivo baseado em modelo, combinados com diferentes diagnósticos e atuadores.

O controlador de aprendizado por reforço gerenciou as entradas de aquecimento para atingir a pressão do plasma e as barreiras de transporte interno. O controlador de modo de rasgo redirecionou o aquecimento por ciclotron de elétrons antes que uma instabilidade surgisse. Outro modelo previu eventos súbitos localizados na borda sem controlar diretamente um atuador, demonstrando que o PACMAN também pode fornecer um controlador externo.

A aplicação de modo Eigen Alfvén classificou ondas associadas a partículas energéticas e ajustou a potência do feixe neutro em resposta. O exemplo mais exigente computacionalmente compactou perfis de plasma em uma representação latente mais simples e usou controle preditivo baseado em modelo para ajustar densidade e rotação em direção a metas definidas pelos pesquisadores.

Juntos, esses experimentos mostram por que uma estrutura compartilhada é valiosa. Cada objetivo requer dados, tempos e hardware diferentes, mas nenhuma equipe deve precisar recriar o manuseio de diagnósticos, verificações de segurança e integração de atuadores.

A verdadeira descoberta é o desenvolvimento mais rápido da fusão

O PACMAN não resolve as barreiras científicas e econômicas que a energia de fusão enfrenta. O DIII-D é uma instalação de pesquisa, não um gerador comercial, e os experimentos não demonstraram eletricidade líquida. A estrutura também não pode controlar fenômenos que evolvem mais rápido que sua janela de escala de milissegundos. Sua implementação atual executa os modelos em série, embora a arquitetura possa suportar execução paralela futura.

Seu valor a curto prazo está, em vez disso, na velocidade de desenvolvimento. A PPPL relata que construir a estrutura e instalar o primeiro modelo levou meses, enquanto adicionar o segundo modelo exigiu apenas dias. Quando a infraestrutura compartilhada lida com problemas recorrentes de integração, os pesquisadores podem dedicar mais tempo à melhoria dos modelos de plasma e menos tempo a reconstruir a infraestrutura ao redor deles.

Isso pode criar um efeito de composição. Implantações mais rápidas produzem mais dados experimentais, modelos melhores e regimes operacionais cada vez mais ambiciosos. O resultado é um ciclo de aprendizado mais apertado entre simulação, aprendizado de máquina e experimentos físicos.

Esse ciclo ajuda a explicar a crescente conexão entre IA e energia de fusão. A IA pode aumentar a demanda de eletricidade por meio de data centers, mas também está se tornando uma ferramenta de engenharia para desenvolver novos sistemas energéticos. Na fusão, seu valor não se limita a descobrir materiais ou analisar resultados após um experimento. Ela pode participar diretamente do controle da máquina.

Do software experimental à infraestrutura de reator

O próximo passo será determinar se os princípios de design do PACMAN se transferem para outras máquinas. Tokamaks diferem em sua geometria, diagnósticos, atuadores e sistemas de controle. Uma arquitetura conceitual reutilizável não torna automaticamente o software portátil em todas as instalações.

Mesmo assim, a estrutura identifica elementos que provavelmente serão importantes em futuros reatores: entradas padronizadas, modelos intercambiáveis, limites explícitos de controlador, arbitragem de atuadores e aplicação de segurança fora do modelo de IA. Sistemas comerciais também exigirão redundância, cibersegurança e respostas previsíveis quando o equipamento falhar.

Os pesquisadores planejam introduzir multithreading e explorar GPUs ou FPGAs (field-programmable gate arrays) para inferência mais rápida. A métrica crítica não será apenas a velocidade bruta do modelo. A latência de ponta a ponta, incluindo aquisição de dados, validação, decisões e atuação, determina se um controlador pode intervir a tempo.

Investindo em fusão habilitada por IA através da Alphabet

Para investidores que buscam exposição ao mercado público da convergência entre IA e pesquisa de fusão, a Alphabet Inc (GOOG ) oferece uma opção relevante, embora indireta. O Google colaborou com a desenvolvedora privada de fusão TAE Technologies por mais de uma década, aplicando aprendizado de máquina à reconstrução de plasma, otimização e design de reatores. O Google também participou da rodada de financiamento da TAE em 2025.

A contribuição do Google vai além do capital. Seus pesquisadores trabalharam com engenheiros de fusão para interpretar o comportamento do plasma e reduzir a complexidade da máquina. Em 2025, o Google afirmou que o trabalho conjunto de reconstrução de plasma ajudou a TAE a simplificar e reconstruir sua máquina de fusão. A Alphabet também concordou em comprar energia da Commonwealth Fusion Systems se sua instalação planejada alcançar operação comercial.

Isso não faz da Alphabet um investimento puro em fusão. A fusão atualmente representa uma parte pequena e especulativa de uma empresa dominada por publicidade, computação em nuvem e serviços digitais. A TAE também usa uma configuração de campo revertido em vez da arquitetura tokamak empregada no DIII-D. Ainda assim, a colaboração de IA do Google com a TAE Technologies demonstra que está contribuindo com capacidades técnicas para o setor, em vez de esperar se tornar um futuro cliente de eletricidade.

IA está se tornando parte da máquina de fusão

O PACMAN leva a discussão além de se um único modelo de IA pode prever uma instabilidade. A questão mais consequente é se muitos sistemas preditivos e de controle podem operar juntos, interagir com o hardware e permanecer limitados por regras de segurança aplicáveis.

Os experimentos no DIII-D sugerem que esse problema de integração é solucionável. O PACMAN acomodou cinco aplicações distintas, tomou decisões em escalas de tempo de milissegundos e forneceu um caminho para adicionar novos modelos sem redesenhar todo o sistema de controle. Ele continua sendo infraestrutura experimental, mas a infraestrutura é exatamente o que transforma avanços isolados em progresso repetível.

A fusão comercial ainda requer avanços no desempenho do plasma, materiais, ciclos de combustível, manutenção e economia de plantas. O controle de IA em tempo real não substituirá essas conquistas. Contudo, pode tornar‑se a camada que permite que elas trabalhem juntas dentro de um reator.

Referências:

^{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). Capacitando o controle integrado de IA no DIII-D: um projeto de sistema de controle com experimentos de última geração. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}