Dominando a Fusão com IA para Desbloquear Energia Limpa Infinita

Com os combustíveis fósseis se esgotando rapidamente e as mudanças climáticas se agravando, estamos em uma necessidade de energia limpa. 

Embora as fontes de energia renovável ofereçam uma alternativa promissora, elas têm seus próprios desafios em termos de limitações de armazenamento de energia, complexidades de integração à rede, altos custos iniciais e a natureza intermitente de algumas fontes como solar e eólica. Além disso, o uso da terra, barreiras políticas e a necessidade de infraestrutura robusta também representam obstáculos significativos. 

Isso é onde a energia nuclear pode mudar o jogo. A energia nuclear é uma forma de energia liberada a partir do núcleo, que é o núcleo central carregado positivamente dos átomos, composto por prótons e nêutrons. 

De acordo com a Agência Internacional de Energia (IEA), a energia nuclear representa cerca de 10% da geração de eletricidade globalmente. 

Mas apesar de sua capacidade de produzir energia sem emissões, os altos custos iniciais, longos prazos e um histórico ruim de entrega pontual estão limitando a adoção da energia nuclear, observou a IEA. No entanto, um novo impulso ao redor do mundo tem o potencial de abrir uma nova era para a energia nuclear com reatores que iniciarão operações comerciais na China, Europa, Índia, Japão e Coreia.

Agora, há duas maneiras de produzir essa fonte de energia:

• Fusão
• Fissão

Fissão é o processo em que os núcleos de átomos pesados são divididos em núcleos menores. Fusão é o processo em que os núcleos de átomos mais leves se fundem para formar um núcleo mais pesado. Ambos liberam enormes quantidades de energia.

Embora apenas a fissão seja atualmente usada em larga escala para geração de eletricidade, hoje nosso foco está na fusão nuclear.

Ainda em fase de pesquisa e desenvolvimento, fusão nuclear contribui muito pouco para a produção global de energia, embora possua um enorme potencial para o futuro. Na verdade, é uma das fontes de energia mais ecológicas, pois não há dióxido de carbono ou outras emissões nocivas durante o processo.

A eletricidade zero carbono das usinas de fusão pode fluir continuamente, independentemente do clima ou se é dia ou noite. Ao contrário da fissão, a fusão nem sequer cria derretimentos potencialmente desastrosos ou resíduos nucleares radioativos de longa duração.

Não só a fusão não contribui para emissões de gases de efeito estufa (GEE), como suas duas principais fontes de combustível, hidrogênio (para deutério) e lítio (para trítio), também são amplamente disponíveis.

Nesse contexto, espera-se que a fusão nuclear atenda às necessidades energéticas da humanidade por milhões de anos, e isso tem países ao redor do mundo trabalhando ativamente para torná-la realidade. 

Obstáculos Entre a Visão da Energia Nuclear e a Realidade

Foi em 1915 que o conceito de fusão nuclear foi proposto pela primeira vez pelo químico americano William Draper Harkins. Mas ainda não o alcançamos de forma significativa. 

Reações de fusão realmente constituem a fonte fundamental de energia das estrelas, incluindo a enorme bola de gás quente, o Sol. É o processo chamado fusão termonuclear que mantém o Sol e as estrelas brilhando por milhões de anos.

Na fusão termonuclear, núcleos atômicos se combinam a temperaturas extremamente altas, de dez a cem milhões de graus Celsius, o que fornece energia suficiente para superar a repulsão elétrica mútua de dois núcleos. Eles então se fundem para formar um único núcleo e liberam energia significativa.

A enorme força gravitacional do Sol desempenha um papel fundamental aqui, pois produz pressão extrema, calor e as condições para a fusão. Sem a gravidade, o Sol não seria quente e denso o suficiente para que a fusão ocorresse. 

Agora, criar fusão nuclear na Terra sem os níveis esmagadores de gravidade significa colocar isótopos leves em um reator e então aquecê-los a centenas de milhões de graus Celsius, o que os transforma em um ‘plasma’ ionizado.

Plasma é um gás carregado composto por íons positivos e elétrons em movimento livre. É extremamente quente e difícil de controlar, exigindo um campo magnético para impedir que escape.

Cientistas têm conseguido rotineiramente alcançar condições para a fusão nuclear, mas a estabilidade do plasma e propriedades de confinamento aprimoradas ainda não foram alcançadas para manter a reação e produzir energia de forma sustentada.

Por exemplo, no final de 2022, um experimento de fusão de vários bilhões de dólares finalmente fez uma pequena amostra de isótopo liberar mais energia do que a energia do laser usada para incendiá-la, mas durou apenas cerca de um décimo de nanosegundo.

Portanto, a fusão nuclear é um processo muito desafiador, exigindo condições extremas de altas temperaturas e pressão intensa.

Então, há a necessidade de estabilizar o plasma, impedir que ele toque as paredes do reator e minimizar a perda de calor, dificultando a sustentação da reação. Em termos de engenharia, precisamos de ímãs supercondutores grandes e poderosos para confinar o plasma em tokamaks, um tipo comum de reator de fusão em forma de donut, e sistemas de vácuo avançados para alcançar e manter pressões extremamente baixas.

Além disso, precisamos de materiais que suportem altas temperaturas, fluxos de calor intensos e radiação de nêutrons. Para enfrentar esses desafios, os cientistas estão recorrendo à inteligência artificial (IA). 

A IA está desempenhando um papel cada vez mais vital na aceleração da pesquisa e desenvolvimento da fusão nuclear. Ao aproveitar aprendizado de máquina e outros algoritmos de IA, os pesquisadores estão otimizando o design de reatores, encontrando e corrigindo erros fundamentais de medição, acelerando a descoberta de materiais, prevendo e prevenindo interrupções do plasma, controlando o estado do plasma e melhorando a eficiência e estabilidade das reações de fusão.

Ao lidar com vastas quantidades de dados complexos e a relação intrincada entre diferentes facetas do processo de fusão, a IA pode melhorar ainda mais nossa compreensão, acelerar o desenvolvimento de novos designs de reatores e reduzir significativamente os prazos de desenvolvimento, abrindo caminho para a comercialização da energia nuclear.

IA Ajuda a Superar as Barreiras Físicas da Fusão

A IA está transformando rapidamente indústrias, incluindo o setor de energia, onde ajuda a resolver a crise energética global ao alcançar energia nuclear ilimitada e livre de carbono. 

Em relação a isso, o Google DeepMind utilizou aprendizado profundo por reforço (RL) para controlar com sucesso o plasma¹ em um tokamak e esculpi-lo precisamente em diferentes formas. Para desenvolver o sistema RL, eles colaboraram com o Swiss Plasma Center da EPFL. O sistema descobre autonomamente como controlar as bobinas magnéticas ao redor de um tokamak e conter o plasma nele.

No ano passado, a empresa também lançou um simulador de plasma chamado TORAX², que modela o “núcleo” do plasma e então prevê mudanças na temperatura, densidade e corrente elétrica. 

No início do ano passado, uma equipe da Universidade de Princeton também usou RL para prever a forma principal de perturbações no plasma de fusão até 300 milissegundos antes de aparecerem. Conhecidas como “instabilidades de modo de rasgo”, ocorrem quando as linhas de campo magnético dentro de um plasma se quebram, permitindo que ele escape e, assim, interrompendo o processo de fusão. 

Espera-se que essas instabilidades “se tornem ainda mais proeminentes à medida que tentamos operar reações de fusão nas altas potências necessárias para produzir energia suficiente”, disse o primeiro autor Jaemin Seo, professor assistente de física da Universidade Chung-Ang da Coreia do Sul. “Elas são um desafio importante para nós resolvermos.”

Seu modelo de IA prevê antecipadamente potenciais instabilidades de modo de rasgo³ e então faz alterações em certos parâmetros operacionais para evitar o rasgo nas linhas de campo magnético do plasma.

O modelo, treinado com dados experimentais passados, recebe como objetivo manter uma reação de alta potência, juntamente com condições a evitar, como a instabilidade de modo de rasgo, e os ajustes que pode fazer para alcançar esses resultados. Com o tempo, o modelo de IA “aprende o caminho ideal” para sustentar o objetivo de alta potência enquanto evita a instabilidade.

“Ao aprender com experimentos passados, em vez de incorporar informações de modelos baseados em física, a IA poderia desenvolver uma política de controle final que suportasse um regime de plasma estável e de alta potência em tempo real, em um reator real.”

– Líder de pesquisa Egemen Kolemen

Enquanto o modelo executava inúmeros experimentos de fusão simulados para encontrar caminhos, em segundo plano, a equipe observava suas “intenções” e refinava as ações, atuando como um árbitro “entre o que a IA quer fazer e o que o tokamak pode acomodar”.

A equipe de engenheiros, físicos e cientistas de dados testou e demonstrou seu modelo em experimentos no DIII-D National Fusion Facility em San Diego.

Então, no início deste ano, um artigo de pesquisa intitulado “Previsão de Desempenho e Turbulência em Plasmas em Combustão do ITER via Predição de Perfil Gyrocinético Não Linear“⁴ foi publicado por Nathan Howard, cientista de pesquisa principal no MIT Plasma Science and Fusion Center (PSFC).

Howard e sua equipe usaram ML e simulações para prever como o plasma se comportará em um dispositivo de fusão. 

“No artigo, eles explicaram que simulações de alta resolução da turbulência confirmam que o tokamak ITER, o maior dispositivo experimental de fusão do mundo atualmente em construção no sul da França, funcionará como esperado quando iniciar as operações, o que não acontecerá antes de 2035.

Para verificar o cenário, a equipe usou o CGYRO, um programa intensivo em tempo que aplica um modelo complexo de física de plasma a certas condições operacionais para produzir simulações detalhadas do comportamento do plasma em diferentes locais dentro de um dispositivo de fusão.

As simulações foram então executadas através da estrutura PORTALS, que pega as execuções de alta fidelidade e usa ML para construir um ‘substituto’, um modelo que “pode imitar os resultados das execuções mais complexas, mas muito mais rápido”.

Ferramentas de modelagem de alta fidelidade como o PORTALS, observaram os pesquisadores, fornecem “um vislumbre do núcleo do plasma antes mesmo de se formar. Essa abordagem de prever primeiro nos permite criar plasmas mais eficientes em um dispositivo como o ITER”.

A equipe também demonstrou diferentes configurações operacionais onde a mesma quantidade de energia de saída pode ser produzida, mas com menos energia de entrada.

Swipe to scroll →

Mapeando as Sombras da Fusão com HEAT-ML 

Uma nova abordagem de IA está agora sendo usada para proteger o interior dos reatores de fusão do calor extremo do plasma. Essa nova forma está acelerando a velocidade dos cálculos necessários para encontrar “sombras magnéticas” nos contêineres de fusão.

Essas sombras são refúgios seguros que são protegidos do intenso calor do plasma.

O Desafio de Calor Dentro do Tokamak

Como explicamos acima, quando o plasma é confinado no tokamak usando campos magnéticos, o calor proveniente do plasma atinge uma temperatura ainda mais quente que o núcleo do sol. Para aproveitar a fusão, esse calor precisa ser controlado.

According to Doménica Corona Rivera, an associate research physicist at Princeton Plasma Physics Laboratory (PPPL):

“Os componentes que enfrentam o plasma no tokamak podem entrar em contato com o plasma, que é muito quente e pode derreter ou danificar esses elementos. A pior coisa que pode acontecer é que você teria que interromper as operações.”

Portanto, para superar esse problema, os pesquisadores estão utilizando IA que pode acelerar os cálculos que predizem exatamente onde o calor atingirá o tokamak.

Ao acelerar significativamente os cálculos do HEAT, o modelo possibilita aplicações em tempo real para proteção do divertor e ações de controle.

Uma Colaboração para Impulsionar a Inovação em Fusão

Uma parceria público-privada entre a PPL, o Laboratório Nacional Oak Ridge do Departamento de Energia dos EUA (DOE) e a empresa de energia de fusão Commonwealth Fusion Systems (CFS), que é um spin-off do MIT e pretende construir uma pequena usina de energia de fusão baseada no design do tokamak ARC, levou a essa nova abordagem de IA chamada HEAT-ML.

O modelo substituto baseado em ML (HEAT-ML) é detalhado no estudo mais recente intitulado “Previsões de máscaras de sombra em componentes que enfrentam o plasma do tokamak SPARC usando código HEAT e métodos de aprendizado de máquina.”⁵

O HEAT-ML tem como objetivo estabelecer a base para software que acelere o design de futuros sistemas de fusão, bem como prevenir quaisquer problemas antes que ocorram ajustando o plasma, permitindo uma boa tomada de decisão.

“Esta pesquisa mostra que você pode pegar um código existente e criar um substituto de IA que acelerará sua capacidade de obter respostas úteis, e abre caminhos interessantes em termos de controle e planejamento de cenários.”

– Coautor do artigo, Michael Churchill, chefe de engenharia digital no PPPL.

Mapeando Sombras Magnéticas para Proteger Materiais

O HEAT-ML foi especificamente criado para simular uma pequena parte do SPARC.

SPARC é um tokamak que está atualmente em desenvolvimento pela CFS em colaboração com o MIT PSFC. Está programado para iniciar as operações no próximo ano e pretende demonstrar ganho energético líquido, gerando mais energia do que consome até 2027.

Para alcançar isso, os pesquisadores estão simulando como o calor afeta o interior deste tokamak.

Um grande desafio computacional, os pesquisadores o tornam manejável concentrando-se na seção SPARC, onde a severidade do escoamento de calor do plasma encontra a parede do material. São 15 blocos ao redor da base da máquina, que é a parte onde seu sistema de exaustão será mais vulnerável ao calor.

Para criar essa simulação, a equipe criou máscaras de sombra, que são mapas 3D de sombras magnéticas. Esses mapas são áreas específicas nas superfícies dos componentes internos de um sistema de fusão que são protegidos do calor direto. Sua posição depende da forma das peças dentro do tokamak, bem como de como interagem com as linhas de campo magnético que confinam o plasma.

Acelerando Simulações de Minutos para Milissegundos

As máscaras de sombra foram originalmente calculadas usando o programa de código aberto chamado HEAT, ou o Heat flux Engineering Analysis Toolkit.

Desenvolvido por Tom Looby da CFS em colaboração com o líder da Equipe de Diagnóstico SPARC, Matt Reinke, este programa foi inicialmente aplicado ao sistema de exaustão do tokamak esférico da PPPL chamado National Spherical Torus Experiment-Upgrade (NSTX-U), que foi projetado para ser o mais poderoso do mundo.

Os pesquisadores agora usaram aprendizado de máquina para complementar o HEAT, desenvolvendo modelos substitutos 3D para cálculos rápidos e precisos da carga de calor.

O HEAT-ML resultante segue as linhas de campo magnético da superfície de um componente para ver se elas intersectam outras partes internas. Se a linha intersectar, esse ponto é marcado como uma região sombreada, ou sombra magnética.

Todo esse processo de traçar linhas e detectar exatamente onde elas encontram a geometria 3D detalhada da máquina, porém, era um gargalo significativo que poderia levar cerca de 30 minutos para apenas uma simulação. Se houver geometrias complexas envolvidas, pode levar ainda mais tempo.

O HEAT-ML permitiu que a equipe superasse essa restrição, acelerando os cálculos para meros milissegundos. 

Rumo ao Controle em Tempo Real de Usinas de Fusão

O modelo HEAT-ML usa uma rede neural profunda, uma forma de IA com múltiplas camadas ocultas aplicadas a dados para aprender tarefas específicas reconhecendo padrões. Neste caso, o HEAT-ML foi treinado em cerca de 1.000 simulações SPARC do HEAT para identificar regiões sombreadas.

Como está vinculado ao design específico do sistema de exaustão do SPARC, o HEAT-ML funciona apenas para essa parte deste tokamak específico.

Portanto, atualmente, é uma configuração opcional no código HEAT. Mas a equipe espera expandir as capacidades do modelo para generalizar os cálculos de máscaras de sombra para quaisquer sistemas de exaustão, independentemente de seu tamanho e forma, bem como outros componentes que enfrentam o plasma dentro do tokamak.

A exaustão de energia, de acordo com o estudo, é um desafio crucial para a próxima geração de dispositivos de fusão e necessita de soluções inovadoras no design e operação do divertor. O estudo observou:

“O objetivo final é integrar o modelo para controle em tempo real e decisões operacionais futuras.” 

Investindo em Energia Nuclear

O gigante tecnológico Microsoft Corporation (MSFT ) está ativamente explorando a energia nuclear e sua aceleração via IA, pois acredita que deve fazer parte de uma combinação de fontes de energia livres de carbono. 

A diretora de sustentabilidade da Microsoft, Melanie Nakagawa, chamou a fusão de aposta de longo prazo e disse que, nos últimos anos, diferentes tipos de marcos foram alcançados pela indústria, o que criou “muito otimismo de que este pode ser o momento em que a fusão realmente avance nesta década, ou próximo a esta década”.

Microsoft Corporation (MSFT )

Para seus objetivos de fusão, a Microsoft assinou um acordo inovador com a startup privada de fusão Helion Energy em 2023. Conforme o acordo, a Helion fornecerá energia gerada por fusão aos data centers da Microsoft até 2028.

Também apoiada pelo braço de capital de risco da SoftBank e por Sam Altman da OpenAI, a Helion iniciou a construção de sua planejada usina de energia de fusão nuclear chamada Orion este ano, embora as licenças finais ainda não tenham sido garantidas. 

O protótipo Polaris da Helion está atualmente trabalhando para encontrar uma maneira de gerar mais energia do que o necessário para criar e sustentar a reação. Orion, por sua vez, segundo seu CEO, conectará às redes de fornecimento de energia.

Quanto ao desempenho de mercado da Microsoft, as ações da empresa com capitalização de mercado de US$ 3,86 trilhões estão sendo negociadas em torno de US$ 521, alta de 23,41% no ano. Ela tem um EPS (TTM) de 13,64 e um P/E (TTM) de 38,25. O rendimento de dividendos disponível é de 0,64%.

Quanto aos dados financeiros do trimestre encerrado em 30 de junho de 2025, revelou um aumento de 18% na receita para US$ 76,4 bilhões, um salto de 23% no lucro operacional para US$ 34,3 bilhões e um aumento de 24% no lucro líquido para US$ 27,2 bilhões. O lucro por ação diluído, por sua vez, foi de US$ 3,65, alta de 24%.

“Nuvem e IA são a força motriz da transformação empresarial em todos os setores e indústrias.”

– CEO Satya Nadella

Últimas Microsoft Corporation (MSFT) Notícias de Ações e Desenvolvimentos

Conclusão

Um dos caminhos mais promissores para energia limpa é a fusão, mas a jornada para sua comercialização é longa e árdua. No entanto, a IA está provando ser o acelerador que pode finalmente transformar esse sonho centenário em realidade, bem dentro de nossas vidas.

Ao utilizar abordagens baseadas em IA, os pesquisadores estão trabalhando para tornar os sistemas de fusão robustos e economicamente viáveis. Desde acelerar a pesquisa e resolver instabilidades do plasma até proteger os sistemas de reatores, a IA pode ajudar a levar a energia nuclear à rede e permitir que a humanidade acesse energia ilimitada.

Clique aqui para saber como seria a quarta geração de energia nuclear.

Referências:

1. Degrave, J., Felici, F., Buchli, J., et al. Controle magnético de plasmas de tokamak através de aprendizado profundo por reforço. Nature, 602(7897), 414–419, publicado 16 de fevereiro 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: Um simulador de transporte de tokamak rápido e diferenciável em JAX. arXiv preprint arXiv:2406.06718, publicado 10 de junho de 2024, última revisão 7 de dezembro de 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Evitando a instabilidade de rasgo em plasma de fusão com aprendizado profundo por reforço. Nature, 626(8001), 746–751, publicado 21 de fevereiro de 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Previsão de desempenho e turbulência em plasmas em combustão do ITER via predição de perfil gyrocinético não linear. Nuclear Fusion, 65(1), 016002, publicado 11 de novembro 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. Previsões de máscaras de sombra em componentes que enfrentam o plasma do tokamak SPARC usando código HEAT e métodos de aprendizado de máquina. Fusion Engineering and Design, 217, 115010, publicado agosto de 2025. https://doi.org/10.1016/j.fusengdes.2025.115010