A IA de Princeton desvenda o que os sensores de fusão não conseguem notar.

Esse é o conceito geral por trás de uma nova IA que preenche dados ausentes sobre plasma, o combustível da fusão, segundo Azarakhsh Jalalvand da Universidade de Princeton. Jalalvand é o autor principal de um artigo sobre a IA, conhecida como Diag2Diag, que foi recentemente publicado na Nature Communications. “Encontramos uma maneira de pegar os dados de um monte de sensores em um sistema e gerar uma versão sintética dos dados para um diferente tipo de sensor nesse sistema,” disse ele. Os dados sintéticos estão alinhados com os dados do mundo real e são mais detalhados do que um sensor real poderia fornecer. Isso poderia aumentar a robustez do controle enquanto reduz a complexidade e o custo dos futuros sistemas de fusão. “O Diag2Diag também poderia ter aplicações em outros sistemas, como naves espaciais e cirurgia robótica, otimizando detalhes e recuperando dados de sensores com falhas ou degradados, garantindo confiabilidade em ambientes críticos.”

A pesquisa é resultado de uma colaboração internacional entre cientistas da Universidade de Princeton, do Laboratório de Física Plasma Princeton do Departamento de Energia dos EUA (DOE), da Universidade Chung-Ang, da Universidade Columbia e da Universidade Nacional de Seul. Todos os dados dos sensores usados na pesquisa para desenvolver a IA foram coletados durante experimentos no DIII-D National Fusion Facility, uma instalação de usuários do DOE.

A nova IA aprimora a forma como os cientistas podem monitorar e controlar o plasma dentro de um sistema de fusão e pode ajudar a manter futuros sistemas comerciais de fusão como uma fonte confiável de eletricidade. “Os dispositivos de fusão hoje são todas máquinas experimentais de laboratório, então se algo acontecer com um sensor, a pior coisa que pode acontecer é que perdemos tempo até conseguirmos reiniciar o experimento. Mas se pensarmos na fusão como uma fonte de energia, ela precisa funcionar 24 horas por dia, 7 dias por semana, sem interrupção,” disse Jalalvand.

A IA poderia levar a sistemas de fusão compactos e econômicos

O nome Diag2Diag se origina da palavra “diagnóstico,” que se refere à técnica usada para analisar um plasma e inclui sensores que medem o plasma. Diagnósticos fazem medições em intervalos regulares, muitas vezes tão rápidos quanto uma fração de segundo. Mas alguns não medem o plasma com frequência suficiente para detectar instabilidades de plasma particularmente rápidas: mudanças repentinas no plasma que podem dificultar a produção de energia de maneira confiável.

Existem muitos diagnósticos em um sistema de fusão que medem diferentes características do plasma. A dispersão de Thomson, por exemplo, é uma técnica de diagnóstico usada em sistemas de fusão em formato de rosquinha chamados tokamaks. O diagnóstico de dispersão de Thomson mede a temperatura de partículas carregadas negativamente conhecidas como elétrons, bem como a densidade: o número de elétrons compactados em uma unidade de espaço. Ela realiza medições rapidamente, mas não o suficiente para fornecer os detalhes que os físicos de plasma precisam para manter o plasma estável e em desempenho máximo.

“Diag2Diag é como dar um impulso aos seus diagnósticos sem gastar dinheiro em hardware,” disse Egemen Kolemen, investigador principal da pesquisa, que está simultaneamente nomeado no PPPL e no Andlinger Center for Energy and the Environment e no Departamento de Engenharia Mecânica e Aeroespacial da Universidade de Princeton.

Isso é particularmente importante para a dispersão de Thomson, pois os outros diagnósticos não conseguem fazer medições na borda do plasma, que também é conhecida como o pedestal. É a parte mais importante do plasma a ser monitorada, mas é muito difícil de medir. Monitorar cuidadosamente o pedestal ajuda os cientistas a aprimorar o desempenho do plasma, para que possam descobrir as melhores maneiras de extrair a maior energia da reação de fusão de forma eficiente.

Para que a energia da fusão seja uma parte importante do sistema de energia dos EUA, ela deve ser tanto econômica quanto confiável. O cientista de pesquisa da PPPL, SangKyeun Kim, que participou da equipe de pesquisa do Diag2Diag, disse que a IA avança os EUA em direção a esses objetivos. “Os tokamaks experimentais de hoje têm muitos diagnósticos, mas os futuros sistemas comerciais provavelmente precisarão ter muito menos,” disse Kim. “Isso ajudará a tornar os reatores de fusão mais compactos, minimizando componentes que não estão diretamente envolvidos na produção de energia.” Menos diagnósticos também liberam espaço valioso dentro da máquina, e a simplificação do sistema também o torna mais robusto e confiável, com menos chances de erro. Além disso, reduz os custos de manutenção.

PPPL: um líder em abordagens de IA para estabilizar plasma de fusão

A equipe de pesquisa também descobriu que os dados da IA suportam uma teoria líder sobre como um método para interromper as disrupções do plasma funciona. Cientistas de fusão ao redor do mundo estão trabalhando em maneiras de controlar modos localizados na borda (ELMs), que são explosões de energia poderosas em reatores de fusão que podem danificar severamente as paredes internas do reator. Um método promissor para parar os ELMs envolve a aplicação de perturbações magnéticas ressonantes (RMPs): pequenas alterações feitas nos campos magnéticos usados para manter um plasma dentro de um tokamak. O PPPL é um líder em pesquisa de supressão de ELMs, com artigos recentes sobre IA e abordagens tradicionais para parar essas disrupções problemáticas. Uma teoria sugere que os RMPs criam “ilhas magnéticas” na borda do plasma. Essas ilhas fazem com que a temperatura e a densidade do plasma se nivelam, o que significa que as medições eram mais uniformes em toda a borda do plasma.

“Devido à limitação do diagnóstico de Thomson, normalmente não conseguimos observar esse nivelamento,” disse Qiming Hu, cientista de pesquisa principal do PPPL, que também trabalhou no projeto. “Diag2Diag forneceu muito mais detalhamentos sobre como isso acontece e como evolui.”

Embora as ilhas magnéticas possam levar aos ELMs, um corpo crescente de pesquisa sugere que elas também podem ser ajustadas usando RMPs para melhorar a estabilidade do plasma. O Diag2Diag gerou dados que forneceram novas evidências sobre esse nivelamento simultâneo de temperatura e densidade na região do pedestal do plasma. Isso apoia fortemente a teoria da ilha magnética para a supressão de ELMs. Compreender esse mecanismo é crucial para o desenvolvimento de reatores de fusão comerciais.

Os cientistas já estão buscando planos para expandir o escopo do Diag2Diag. Kolemen observou que vários pesquisadores já expressaram interesse em testar a IA. “Diag2Diag poderia ser aplicado a outros diagnósticos de fusão e é amplamente aplicável a outros campos onde os dados de diagnóstico estão ausentes ou são limitados,” disse ele.

Esta pesquisa foi apoiada pelo DOE sob os prêmios DE-FC02-04ER54698, DE-SC0022270, DE-SC0022272, DE-SC0024527, DE-SC0020413, DE-SC0015480 e DE-SC0024626, assim como pelo prêmio da Fundação Nacional de Pesquisa da Coreia RS-2024-00346024 financiado pelo governo coreano (MSIT). Os autores também receberam apoio financeiro do Laboratório de Inteligência Artificial de Princeton sob o prêmio 2025-97.