Últimos avances en fusión nuclear: Energía verde ilimitada
¿Cómo podrían estos descubrimientos para alcanzar la fusión nuclear cambiar el futuro?

La fusión nuclear, una fuente de energía limpia y prácticamente inagotable, está cada vez más cerca de ser viable gracias a recientes avances. Un hito crucial fue alcanzado por la Instalación Nacional de Ignición en diciembre de 2022, donde se logró ganar energía, marcando un precedente en la producción de más energía de la que se consume. En Alveritmos, explicaremos algunas de las últimas investigaciones que han logrado avances relevantes en el marco de la energía nuclear, destacando el papel del aprendizaje por refuerzo profundo en la optimización de reactores tokamak para superar desafíos como la inestabilidad del plasma.
¿Cuándo se logró la primera ganancia de energía en la fusión nuclear?
En diciembre de 2022, un experimento en la Instalación Nacional de Ignición (NIF) logró un objetivo importante en la investigación de la fusión nuclear. Lograron una “ganancia” de 1,5 lo que significa que obtuvieron más energía de la fusión de la que invirtieron para iniciarla.
Esto es fundamental, porque es la primera vez que se superó el punto en el que es producida más energía de la utilizada, lo que se considera necesario para que la fusión nuclear sea viable como fuente de energía.
Experimentos posteriores han continuado superando los límites en 2023, en donde se alcanzó una ganancia de 3,88 MJ de marcando el rendimiento más alto hasta la fecha.

CC BY-SA 3.0 , vía Wikimedia Commons
Utilizaron un láser que generó una gran cantidad de energía para comprimir y calentar un objetivo de combustible de fusión, lo que resultó en una liberación significativa de energía de fusión. Este logro es importante en la investigación de la fusión nuclear y demuestra que es posible lograrla en laboratorio utilizando principios físicos fundamentales. La investigación y los avances experimentales que llevaron a este resultado han sido el resultado de más de cinco décadas de trabajo.
Sin embargo, ha sido una gran motivación para continuar con las investigaciones para generar energía nuclear:
Estudios de control de un reactor nuclear tokamak mediante el aprendizaje por refuerzo profundo
De acuerdo a un estudio de Nature del 2022, se comunica que han desarrollado un sistema de inteligencia artificial capaz de controlar de forma autónoma las bobinas magnéticas en un reactor tokamak, un tipo de reactor de fusión nuclear.
Este texto explica cómo los tokamaks, enfrentan el desafío de mantener y controlar plasma a alta presión y temperatura. Tradicionalmente, se usan controladores complejos para manejar el campo magnético y mantener el plasma estable. Sin embargo, un nuevo enfoque usa aprendizaje por refuerzo (RL), una forma de inteligencia artificial, para simplificar este proceso.
RL permite crear controladores más eficientes y versátiles, lo que facilita la exploración de nuevas configuraciones de plasma y podría acelerar el desarrollo de la energía de fusión. Este enfoque ha sido probado exitosamente en el Tokamak Configuration Variable (TCV), demostrando su potencial para revolucionar la ciencia de la fusión.
Este avance permite formar y mantener plasma a altas temperaturas dentro del reactor de manera más eficiente y flexible, adaptándose a diferentes configuraciones de plasma como formas alargadas, configuraciones de “copo de nieve“, y hasta mantener dos plasmas separados al mismo tiempo.

Bobmumgaard , CC BY-SA 4.0, vía Wikimedia Commons
3 fases para diseñar controladores de confinamiento para tokamak
Este enfoque simplifica el diseño de controladores y facilita la adaptación a diferentes configuraciones de plasma.
- En la primera fase, se establecen los objetivos del experimento.
- En la segunda fase, se utiliza un algoritmo de aprendizaje por refuerzo (RL) junto con un simulador de tokamak para desarrollar una política de control efectiva.
- En la tercera fase, esta política de control se implementa en tiempo real en el tokamak sin necesidad de ajustes adicionales.
Este método reduce el esfuerzo necesario para diseñar nuevas configuraciones de plasma, marcando un gran avance en el control de la fusión nuclear y mostrando el potencial de la inteligencia artificial para acelerar la investigación en este campo.
DeepMind Pionero en usar la IA para resolver problemas
DeepMind una empresa adquirida por Google tiene la misión de “resolver la inteligencia artificial para hacer avanzar la ciencia y la humanidad” en colaboración con el Swiss Plasma Center de EPFL (École Polytechnique Fédérale de Lausanne), han desarrollado un sistema de IA que utiliza aprendizaje profundo por refuerzo para controlar el plasma en reactores de fusión nuclear.
Evitar la inestabilidad del desgarro del plasma de fusión con un aprendizaje por refuerzo profundo
Este sistema de IA es capaz de controlar y mantener el plasma, que es esencial para la reacción de fusión, de manera controlada y eficiente. Los desafíos de contener y mantener el plasma estable dentro de los reactores, debido a su naturaleza inherentemente inestable, se están abordando con éxito mediante el uso de este enfoque de IA.
Esto lo han informado este 2024 en una nueva publicación de Nature, que ha emocionado al mundo, esta investigación describe cómo para lograr una producción continua y eficiente de energía de fusión en un reactor tokamak, es crucial mantener un plasma de hidrógeno a alta presión sin que se interrumpa.
Consiste en el desarrollo de un controlador de inteligencia artificial (IA) que utiliza el aprendizaje por refuerzo profundo (RL) para manejar los problemas de actuación no lineales y de alta dimensión en tokamaks. Se enfoca en controlar el plasma de alta presión mientras minimiza la posibilidad de inestabilidad de desgarro.
La IA en la Fusión nuclear
La IA aprende la política de acción óptima mediante interacciones con un modelo dinámico que predice la presión del plasma y la probabilidad de desgarro. Este enfoque muestra un avance prometedor en la gestión de los desafíos de la fusión nuclear, optimizando el rendimiento del tokamak y evitando interrupciones críticas.
Se enfrentan desafíos como la inestabilidad del plasma, que puede detener las operaciones. Utilizando inteligencia artificial y aprendizaje por refuerzo, se desarrolló un modelo que predice y previene estas inestabilidades. La investigación demostró con éxito que este enfoque puede controlar y reducir las inestabilidades en el reactor de fusión DIII-D, manteniendo el plasma estable incluso bajo condiciones desafiantes.
La colaboración entre DeepMind y el Swiss Plasma Center ha permitido desarrollar y probar con éxito controladores que pueden mantener el plasma estable y modelarlo en diferentes formas para mejorar la comprensión y eficiencia de los reactores de fusión nuclear.
Sin embargo, los avances tecnológicos de DeepMind y su aplicación en la fusión nuclear son ejemplos claros del potencial de la IA para superar obstáculos significativos en este campo, apoyando el desarrollo de la fusión nuclear como una fuente de energía prácticamente inagotable y limpia
La energía nuclear en la actualidad y la importancia de desarrollar la fusión nuclear
Las plantas de energía nuclear existentes (aproximadamente 440 en funcionamiento alrededor del mundo) son importantes porque proporcionan una fuente de energía de bajo carbono, contribuyendo a la diversificación del suministro energético y la reducción de emisiones de gases de efecto invernadero.
La investigación continua en energía nuclear, a pesar de su existencia, se debe a la necesidad de mejorar la seguridad, eficiencia, y sostenibilidad de estas plantas. Además, se busca avanzar hacia la fusión nuclear, que ofrece el potencial de una energía más limpia y abundante con menores residuos radiactivos y riesgos asociados.
Referencias
- Abu-Shawareb, H., Acree, R. L., Adams, P. A., Adams, J. J., Addis, B., Aden, R., Adrian, P., Afeyan, B., Aggleton, M., Aghaian, L., Aguirre, A., Aikens, D., Akre, J., Albert, F., Albrecht, M., Albright, B. J., Albritton, J. R., Alcala, J., Alday, C. L., . . . Zylstra, A. B. (2024). Achievement of Target Gain Larger than Unity in an Inertial Fusion Experiment. Physical Review Letters, 132(6). https://doi.org/10.1103/physrevlett.132.065102 1
- Degrave, J., Felici, F., Buchli, J., Neunert, M., Tracey, B. D., Carpanese, F., Ewalds, T., Hafner, R., Abdolmaleki, A., De Las Casas, D., Donner, C., Fritz, L., Galperti, C., Huber, A., Keeling, J., Tsimpoukelli, M., Kay, J., Merle, A., Moret, J., . . . Riedmiller, M. (2022). Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602(7897), 414–419. https://doi.org/10.1038/s41586-021-04301-9 2
- Seo, J., Kim, S., Jalalvand, A., Conlin, R., Rothstein, A., Abbate, J., Erickson, K., Wai, J., Shousha, R., & Kolemen, E. (2024). Avoiding fusion plasma tearing instability with deep reinforcement learning. Nature, 626(8000), 746–751. https://doi.org/10.1038/s41586-024-07024-9