Yapay Zeka ile Füzyonu Ustalaştırarak Sonsuz Temiz Enerjiyi Açığa Çıkarma

Fosil yakıtların hızla tükenmesi ve iklim değişikliğinin kötüleşmesiyle, kritik bir temiz enerji ihtiyacı içindeyiz. 

Yenilenebilir enerji kaynakları umut verici bir alternatif sunsa da, enerji depolama sınırlamaları, şebeke entegrasyonu karmaşıklıkları, yüksek başlangıç maliyetleri ve bazı kaynakların (güneş ve rüzgar gibi) kesintili doğası gibi kendi zorlukları vardır. Ayrıca arazi kullanımı, politika engelleri ve sağlam altyapı ihtiyacı da önemli engeller oluşturmaktadır. 

İşte bu noktada nükleer enerji oyunu değiştirebilir. Nükleer enerji, atomların pozitif yüklü çekirdeği (proton ve nötronlardan oluşur) içinde serbest bırakılan bir enerji biçimidir. 

Uluslararası Enerji Ajansı (IEA) verilerine göre, nükleer enerji dünya çapında elektrik üretiminin yaklaşık %10 kadarını oluşturuyor. 

Ancak, emisyonsuz güç üretme yeteneğine rağmen, yüksek ön maliyetler, uzun teslim süreleri ve zamanında teslimat konusundaki kötü geçmişi, IEA’nın belirttiği gibi nükleer enerjinin benimsenmesini sınırlamaktadır. Bununla birlikte, dünya genelindeki yeni ivme, Çin, Avrupa, Hindistan, Japonya ve Kore’de ticari işletmeye başlayacak reaktörlerle nükleer enerji için yeni bir çağ açma potansiyeline sahiptir. 

Şimdi, bu enerji kaynağının iki üretim yolu vardır:

• Füzyon
• Fisyon

Fisyon, ağır atomların çekirdeklerinin daha küçük parçalara bölünmesidir. Füzyon ise hafif atomların çekirdeklerinin birleşerek daha ağır bir çekirdek oluşturmasıdır. Her iki süreç de muazzam miktarda enerji serbest bırakır.

Şu anda büyük ölçekte elektrik üretimi için yalnızca fisyon kullanılmakta, ancak bugün odak noktamız nükleer füzyon. 

Araştırma ve geliştirme aşamasında olan nükleer füzyon, küresel enerji üretimine çok az katkı sağlamakta, ancak gelecekte muazzam bir potansiyele sahiptir. İşlem sırasında karbondioksit ya da diğer zararlı emisyonlar ortaya çıkmadığı için en çevre dostu enerji kaynaklarından biridir. 

Füzyon güç santrallerinden elde edilen sıfır karbonlu elektrik, hava koşulları ya da günün saatine bakılmaksızın kesintisiz akabilir. Fisyonun aksine, füzyon potansiyel olarak felaket yaratabilecek erime olayları ya da uzun ömürlü radyoaktif atık üretmez. 

Füzyon sadece sera gazı (GHG) emisyonlarına katkıda bulunmaz; ayrıca iki ana yakıt kaynağı olan hidrojen (döteryum için) ve lityum (trityum için) da yaygın olarak mevcuttur. 

Bu çerçevede, nükleer füzyon insanlığın enerji ihtiyacını milyonlarca yıl karşılayacağı öngörülmekte ve bu yüzden dünya genelindeki ülkeler bunu gerçeğe dönüştürmek için aktif olarak çalışmaktadır. 

Nükleer Enerji Vizyonu ile Gerçeklik Arasındaki Engeller

1915 yılında Amerikan kimyager William Draper Harkins, nükleer füzyon kavramını ilk kez ortaya attı. Ancak henüz anlamlı bir başarı elde edemedik. 

Füzyon reaksiyonları, Güneş gibi dev bir sıcak gaz topu da dahil olmak üzere yıldızların temel enerji kaynağını oluşturur. Termonükleer füzyon adı verilen bu süreç, Güneş ve yıldızların milyonlarca yıl parlamasını sağlamıştır. 

Termonükleer füzyonda, atom çekirdekleri on ila yüz milyon derece Santigrat gibi son derece yüksek sıcaklıklarda birleşir; bu sıcaklık iki çekirdeğin karşılıklı elektriksel itmesini yenmek için yeterli enerjiyi sağlar. Sonrasında tek bir çekirdek oluşturmak üzere birleşir ve önemli miktarda enerji açığa çıkar. 

Güneş’in devasa kütleçekim gücü burada kritik bir rol oynar; aşırı basınç, ısı ve füzyon koşullarını üretir. Kütleçekim olmadan, Güneş füzyon gerçekleşecek kadar sıcak ve yoğun olamaz. 

Şimdi, Dünya’da nükleer füzyon yaratmak ancak devasa kütleçekim olmadan, hafif izotopları bir reaktöre koyup onları yüz milyonlarca derece Santigrat’a ısıtarak iyonize bir ‘plazma’ya dönüştürmek anlamına gelir. 

Plazma, pozitif iyonlar ve serbest hareket eden elektronlardan oluşan yüklü bir gazdır.  Son derece sıcak ve kontrol edilmesi zordur; kaçmasını önlemek için bir manyetik alana ihtiyaç duyar. 

Bilim insanları rutin olarak nükleer füzyon koşullarını elde edebilmişlerdir, ancak plazma stabilitesi ve geliştirilmiş hapsi özellikleri, reaksiyonu sürdürmek ve enerjiyi sürekli üretmek için hâlâ elde edilmemiştir. 

Örneğin, 2022’nin sonlarında milyar dolarlık bir füzyon deneyi nihayet bir izotop örneğinin, onu tutuşturmak için kullanılan lazer enerjisinden daha fazla enerji yaymasını sağladı, ancak bu sadece bir ondalık nanosaneye kadar sürdü. 

Dolayısıyla, nükleer füzyon çok zorlu bir süreçtir; yüksek sıcaklıklar ve yoğun basınç gibi aşırı koşullar gerektirir. 

Ayrıca plazmayı stabilize etmek, reaktör duvarlarına temasını önlemek ve ısı kaybını azaltmak gerekir; bu da reaksiyonun sürdürülmesini zorlaştırır. Mühendislik açısından, tokamak adı verilen halka şeklindeki füzyon reaktörlerinde plazmayı hapseden büyük, güçlü süperiletken manyetikler ve son derece düşük basınçları elde edip sürdürmek için gelişmiş vakum sistemlerine ihtiyaç duyarız. 

Ayrıca yüksek sıcaklıklar, yüksek ısı akıları ve yoğun nötron radyasyonuna dayanabilecek malzemelere de ihtiyacımız var. Bu zorlukları aşmak için bilim insanları yapay zekâya (AI) yöneliyor. 

AI, nükleer füzyon araştırma ve geliştirmesini hızlandırmada giderek daha hayati bir rol oynuyor. Makine öğrenimi ve diğer AI algoritmalarını kullanarak araştırmacılar reaktör tasarımını optimize ediyor, temel ölçüm hatalarını bulup düzeltiyor, malzeme keşfini hızlandırıyor, plazma bozulmalarını tahmin edip önlüyor, plazma durumunu kontrol ediyor ve füzyon reaksiyonlarının verimliliğini ve stabilitesini artırıyor. 

Füzyon sürecinin farklı yönleri arasındaki karmaşık ilişkileri ve büyük veri setlerini işleyerek AI, bu süreci daha iyi anlamamıza, yeni reaktör tasarımlarının geliştirilmesini hızlandırmamıza ve geliştirme zaman çizelgelerini önemli ölçüde kısaltmamıza yardımcı olabilir; bu da nükleer enerjinin ticarileşmesi yolunu açar. 

AI, Füzyonun Fiziksel Engellerini Aşmaya Yardımcı Oluyor

AI, enerji sektörü de dahil olmak üzere endüstrileri hızla dönüştürüyor; karbon‑free, sınırsız nükleer enerji elde ederek küresel enerji krizini çözmeye yardımcı oluyor. 

Bu bağlamda, Google DeepMind derin pekiştirmeli öğrenmeyi (RL) kullanarak bir tokamakta plazmayı başarılı bir şekilde kontrol etti¹ ve onu farklı şekillere hassas bir şekilde şekillendirdi. RL sistemini geliştirmek için EPFL’deki Swiss Plasma Center ile iş birliği yaptılar. Sistem, bir tokamak etrafındaki manyetik bobinleri nasıl kontrol edeceğini ve plazmayı içinde tutacağını kendi kendine keşfediyor. 

Geçen yıl, şirket aynı zamanda TORAX² adlı bir plazma simülatörü yayınladı; bu simülatör plazmanın “çekirdeğini” modelleyerek sıcaklık, yoğunluk ve elektrik akımındaki değişiklikleri tahmin ediyor. 

Geçen yılın başlarında Princeton Üniversitesi’nden bir ekip, RL kullanarak füzyon plazmasındaki bozulmaların önde gelen biçimini ortaya çıkmadan 300 milisaniye önce tahmin etti. “Yırtılma modu kararsızlıkları” olarak adlandırılan bu durum, plazma içindeki manyetik alan hatlarının kırılmasıyla ortaya çıkar; bu da plazmanın kaçmasına ve füzyon sürecinin durmasına yol açar. 

Bu kararsızlıkların, “yeterli enerji üretmek için gereken yüksek güçlerde füzyon reaksiyonları çalıştırmaya çalıştıkça daha da belirgin hale geleceği” söyleniyor; bu yorumu Güney Kore’li Chung‑Ang Üniversitesi’nden fizik asistan profesörü Jaemin Seo yaptı. “Bizim çözmemiz gereken önemli bir zorluk.” 

AI modelleri, potansiyel yırtılma modu kararsızlıklarını önceden tahmin ediyor³ ve ardından plazmanın manyetik alan hatları içinde yırtılmayı önlemek için belirli işletim parametrelerinde değişiklik yapıyor. 

Geçmiş deneysel verilerle eğitilen model, yüksek güçlü bir reaksiyonu sürdürme hedefi ve yırtılma modu kararsızlığı gibi kaçınılması gereken koşulları alıyor; bu hedeflere ulaşmak için ayarlayabileceği düğmeler var. Zamanla AI modeli, kararsızlığı önlerken yüksek‑güç hedefini sürdürebilmek için “optimal yolu” öğreniyor. 

“Geçmiş deneylerden öğrenerek, fizik‑tabanlı modellerden bilgi eklemek yerine, AI gerçek bir reaktörde gerçek zamanlı, stabil ve yüksek güçlü bir plazma rejimini destekleyen nihai bir kontrol politikası geliştirebilir.”

– Araştırma lideri Egemen Kolemen

Model sayısız simüle edilmiş füzyon deneyi yürütürken, ekip arka planda modelin “niyetlerini” gözlemleyip eylemleri rafine etti; bu, “AI’nin ne yapmak istediği ile tokamak’ın neyi kaldırabileceği” arasında bir arabulucu gibi davrandı. 

Mühendisler, fizikçiler ve veri bilimcilerinden oluşan ekip, modelini San Diego’daki DIII‑D Ulusal Füzyon Tesisi’nde deneylerle test edip gösterdi. 

Daha sonra, bu yılın başlarında Nathan Howard (MIT Plasma Science and Fusion Center (PSFC) baş araştırmacısı) tarafından “Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction” başlıklı bir araştırma makalesi yayınlandı. 

Howard ve ekibi, ML ve simülasyonları kullanarak plazmanın bir füzyon cihazında nasıl davranacağını tahmin etti. 

“Makaledeki açıklamaya göre, yüksek çözünürlüklü türbülans simülasyonları, şu anda güney Fransa’da inşa edilmekte olan dünyanın en büyük deneysel füzyon cihazı ITER tokamakının, en az 2035’e kadar işletmeye başlamadan beklendiği gibi performans göstereceğini doğruluyor.”

Senaryoyu doğrulamak için ekip, belirli işletim koşullarına karmaşık bir plazma fiziği modeli uygulayan zaman‑intensif bir program olan CGYRO kullandı; bu program, bir füzyon cihazı içinde farklı konumlardaki plazma davranışının ayrıntılı simülasyonlarını üretir. 

Simülasyonlar daha sonra PORTALS çerçevesi üzerinden çalıştırıldı; bu çerçeve yüksek‑fidelite çalışmaları alıp ML kullanarak daha hızlı bir “surrogate” (vekil) model oluşturur; bu model “daha karmaşık çalışmanın sonuçlarını taklit edebilir, ancak çok daha hızlıdır.” 

Araştırmacıların belirttiği gibi, PORTALS gibi yüksek‑fidelite modelleme araçları “plazma çekirdeğine, henüz oluşmadan bir bakış” sağlar. Bu “önce tahmin” yaklaşımı, ITER gibi bir cihazda daha verimli plazmalar yaratmamıza olanak tanır. 

Ekip ayrıca aynı enerji çıktısını daha az enerji girişiyle üretebilecek farklı işletim düzenlemelerini de gösterdi. 

Kaydırarak kaydır →

HEAT‑ML ile Füzyon Gölgelerinin Haritalanması 

Yeni bir AI yaklaşımı, füzyon reaktörlerinin içini plazmanın aşırı ısısından korumak için kullanılmaktadır. Bu yeni yöntem, füzyon kaplarında “manyetik gölgeler” bulmak için gereken hesaplama hızını artırmaktadır. 

Bu gölgeler, yoğun plazma ısısından korunmuş güvenli bölgelerdir. 

Tokamak İçindeki Isı Sorunu

Yukarıda açıkladığımız gibi, plazma manyetik alanlarla tokamak içinde hapsedildiğinde, plazmadan gelen ısı Güneş’in çekirdeğinden bile daha yüksek bir sıcaklığa ulaşır. Füzyonu kullanabilmek için bu ısı kontrol edilmelidir. 

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

“Tokamak’ın plazmaya bakan bileşenleri, çok sıcak olan plazma ile temas edebilir; bu bileşenler eriyebilir ya da zarar görebilir. En kötü senaryo, operasyonların durdurulmasıdır.”

Bu sorunu aşmak için araştırmacılar, tokamak içinde ısının nerede çarpacağını tahmin eden hesaplamaları hızlandırabilecek bir AI kullanıyor. 

HEAT hesaplamalarını önemli ölçüde hızlandırarak, model divertör koruması ve kontrol eylemleri için gerçek‑zaman uygulamaları olasılığını sağlıyor. 

Füzyon Yeniliğini Harekete Geçiren Bir İş Birliği

PPL, ABD Enerji Bakanlığı’nın (DOE) Oak Ridge Ulusal Laboratuvarı ve MIT’den çıkan ve ARC tokamak tasarımına dayalı küçük bir füzyon güç santrali inşa etmeyi hedefleyen Commonwealth Fusion Systems (CFS) arasında bir kamu‑özel ortaklığı, HEAT‑ML adlı bu yeni AI yaklaşımını ortaya çıkardı. 

ML‑tabanlı vekil model (HEAT‑ML), “Shadow masks predictions in SPARC tokamak plasma‑facing components using HEAT code and machine learning methods” başlıklı en yeni çalışmada ayrıntılı olarak ele alınmıştır. 

HEAT‑ML, gelecekteki füzyon sistemlerinin tasarımını hızlandırmak için bir yazılım temeli oluşturmayı ve plazmayı ayarlayarak sorunları önceden engellemeyi, böylece iyi kararlar alınmasını hedefliyor. 

“Bu araştırma, mevcut bir kodu alıp bir AI vekili oluşturabileceğinizi, faydalı cevaplar elde etme hızınızı artırabileceğinizi ve kontrol ve senaryo planlaması açısından ilginç yollar açtığını gösteriyor.”

– Makalenin ortak yazarı Michael Churchill, PPPL’da dijital mühendislik başkanı

Malzemeleri Koruyan Manyetik Gölgelerin Haritalanması

HEAT‑ML, SPARC’ın küçük bir bölümünü simüle etmek üzere özel olarak geliştirilmiştir. 

SPARC, CFS’nin MIT PSFC iş birliğiyle şu anda geliştirdiği bir tokamaktır. Önümüzdeki yıl çalışmaya başlaması planlanmakta ve 2027’ye kadar net enerji kazancı (tükettiğinden daha fazla enerji üretme) göstermeyi hedeflemektedir. 

Bunu başarmak için araştırmacılar, bu tokamak’ın iç kısmına ısının nasıl etki ettiğini simüle ediyorlar. 

Büyük bir hesaplama sorunu olan bu çalışmada, araştırmacılar SPARC bölgesine odaklanarak yönetilebilir hâle getirdiler; burada plazma ısı tahliyesinin şiddeti malzeme duvarıyla buluşur. Bu, makinenin tabanının etrafındaki 15 karoyu kapsar ve bu bölge, tahliye sisteminin en çok ısıya maruz kalacağı yerdir. 

Bu simülasyonu oluşturmak için ekip, manyetik gölgelerin 3B haritaları olan “shadow mask”ler yarattı. Bu haritalar, füzyon sisteminin iç bileşenlerinin yüzeylerinde doğrudan ısıdan korunmuş belirli alanlardır. Konumları, tokamak içindeki parçaların şekline ve plazmayı hapseden manyetik alan hatlarıyla etkileşimlerine bağlıdır. 

Simülasyonları Dakikalardan Milisaniyelere Hızlandırma

Shadow maskler, açık kaynaklı bir bilgisayar programı olan HEAT (Heat flux Engineering Analysis Toolkit) kullanılarak ilk olarak hesaplanmıştır. 

Tom Looby (CFS) ve SPARC Tanıma Takımı lideri Matt Reinke iş birliğiyle geliştirilen bu program, başlangıçta PPPL’nin ulusal küresel torus deneyi‑güncelleme makinesi (NSTX‑U) adlı küresel tokamakının tahliye sistemine uygulanmıştı; bu sistem dünyanın en güçlü tasarımı olarak tasarlanmıştır. 

Araştırmacılar şimdi HEAT’e makine öğrenimini ekleyerek, ısı yükünün hızlı ve hassas hesaplamaları için 3B vekil modeller geliştirdiler. 

Ortaya çıkan HEAT‑ML, bir bileşenin yüzeyinden manyetik alan hatlarını izleyerek diğer iç parçalarla kesişip kesişmediğini belirler. Eğer kesişiyorsa, o nokta gölgeli bir bölge (manyetik gölge) olarak işaretlenir. 

Bu hatları izleme ve detaylı 3B makine geometrisiyle nerede buluştuğunu tespit etme süreci, tek bir simülasyon için yaklaşık 30 dakika sürebilen büyük bir darboğazdı; karmaşık geometriler söz konusu olduğunda bu süre daha da uzayabiliyordu. 

HEAT‑ML, ekibin bu sınırlamayı aşmasını sağlayarak hesaplamaları sadece milisaniyelere indirdi. 

Füzyon Güç Santrallerinin Gerçek‑Zaman Kontrolüne Doğru

HEAT‑ML modeli, çoklu gizli katmanlara sahip bir derin sinir ağı (AI) kullanır; bu ağ veriye uygulanarak desenleri tanıyarak belirli görevleri öğrenir. Bu durumda, HEAT‑ML yaklaşık 1.000 SPARC simülasyonu üzerinde eğitilerek gölge bölgeleri tanımlamıştır. 

SPARC’ın tahliye sistemine özgü tasarıma bağlı olduğu için, HEAT‑ML yalnızca bu belirli tokamak bölümünde çalışır. 

Şu anda HEAT kodunda isteğe bağlı bir ayar olarak bulunuyor. Ancak ekip, modelin yeteneklerini genişleterek gölge maskesi hesaplamalarını herhangi bir tahliye sistemi, boyut ve şekil fark etmeksizin ve tokamak içindeki diğer plazma‑yüzey bileşenleri için genelleştirmeyi hedefliyor. 

Çalışmaya göre, güç tahliyesi bir sonraki nesil füzyon cihazları için kritik bir zorluktur ve divertör tasarımı ve işletiminde yenilikçi çözümler gerektirir. Çalışma şunu belirtiyor:

“Nihai hedef, modeli gerçek‑zaman kontrolü ve gelecekteki operasyon kararları için entegre etmektir.” 

Nükleer Enerjiye Yatırım

Teknoloji devi Microsoft Corporation (MSFT ) nükleer enerjiyi ve AI aracılığıyla hızlandırmayı aktif olarak araştırıyor; çünkü bunun karbon‑free enerji kaynakları karışımının bir parçası olması gerektiğine inanıyor. 

Microsoft’un baş sürdürülebilirlik sorumlusu Melanie Nakagawa, füzyonu uzun vadeli bir bahis olarak nitelendirdi ve son birkaç yılda sektör tarafından elde edilen çeşitli kilometre taşlarının “bu on yıl içinde, hatta yakın gelecekte füzyonun gerçeğe dönüşebileceği konusunda çok fazla iyimserlik yarattığını” söyledi. 

Microsoft Corporation (MSFT )

Füzyon hedefleri için Microsoft, 2023 yılında özel füzyon girişimi Helion Energy ile çığır açan bir anlaşma imzaladı. Bu anlaşmaya göre Helion, 2028 yılına kadar Microsoft veri merkezlerine füzyonla üretilen güç sağlayacak. 

SoftBank’in risk sermayesi kolu ve OpenAI’nin Sam Altman’ı tarafından da desteklenen Helion, bu yıl Orion adlı planlanan nükleer füzyon güç santralinin inşasına başladı, ancak nihai izinler henüz alınmadı. 

Helion’un prototipi Polaris, şu anda reaksiyonu başlatmak ve sürdürmek için harcanan enerjiden daha fazla enerji üretmenin bir yolunu bulmaya çalışıyor. Orion ise, CEO’suna göre, enerji dağıtım ağlarına bağlanacak. 

Microsoft’un piyasa performansına gelince, 3,86 trilyon dolarlık piyasa değerine sahip şirketin hisseleri yaklaşık 521 $ seviyesinde işlem görüyor; YTD %23,41 artış gösterdi. EPS (TTM) 13,64 ve P/E (TTM) 38,25. Temettü verimi %0,64. 

2025 Haziran 30 tarihli çeyrek için finansallar, gelirin %18 artarak 76,4 milyar $’a, işletme gelirinin %23 artarak 34,3 milyar $’a ve net gelirin %24 artarak 27,2 milyar $’a yükseldiğini gösterdi. Seyreltilmiş hisse başına kazanç ise %24 artışla 3,65 $ idi. 

“Bulut ve AI, her sektör ve endüstride iş dönüşümünün itici gücüdür.”

– CEO Satya Nadella

Latest Microsoft Corporation (MSFT) Stock News and Developments

Conclusion

Temiz enerjiye giden en umut verici yollardan biri füzyondur, ancak ticarileşme yolculuğu uzun ve zorlu bir süreçtir. Ancak AI, bu yüzyıllık hayali nihayet gerçeğe dönüştürebilecek bir hızlandırıcı olduğunu kanıtlıyor; ömrümüz içinde bu mümkün. 

AI‑tabanlı yaklaşımları kullanarak araştırmacılar, füzyon sistemlerini dayanıklı ve ekonomik açıdan uygulanabilir hâle getirmek için çalışıyor. Araştırmayı hızlandırmaktan plazma kararsızlıklarını çözmeye, reaktör sistemlerini korumaya kadar AI, nükleer enerjiyi şebekeye getirebilir ve insanlığa sınırsız güç sağlayabilir. 

Dördüncü nesil nükleer enerjinin nasıl görüneceğini öğrenmek için buraya tıklayın.

References:

1. Degrave, J., Felici, F., Buchli, J., vb. “Derin pekiştirmeli öğrenme yoluyla tokamak plazmalarının manyetik kontrolü”. Nature, 602(7897), 414–419, 16 Şubat 2022 tarihinde yayınlandı. 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: JAX’ta hızlı ve türevlenebilir bir tokamak taşıma simülatörü”. arXiv preprint arXiv:2406.06718, 10 Haziran 2024 tarihinde yayınlandı, son revizyon 7 Aralık 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., vb. “Derin pekiştirmeli öğrenme ile füzyon plazma yırtılma kararsızlığını önleme”. Nature, 626(8001), 746–751, 21 Şubat 2024 tarihinde yayınlandı. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez‑Fernandez, P., Holland, C., & Candy, J. “ITER yanma plazmalarındaki performans ve türbülansın, doğrusal olmayan gyrokinetik profil tahmini yoluyla tahmini”. Nuclear Fusion, 65(1), 016002, 11 Kasım 2024 tarihinde yayınlandı. 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. “HEAT kodu ve makine öğrenimi yöntemleri kullanılarak SPARC tokamak plazma‑yüzey bileşenlerinde gölge maskeleri tahmini”. Fusion Engineering and Design, 217, 115010, Ağustos 2025 tarihinde yayınlandı. https://doi.org/10.1016/j.fusengdes.2025.115010