Predicción de inestabilidades disruptivas en plasmas de fusión controlada a través del aprendizaje profundo

Área de la Ciencia:

• Energía de fusión nuclear
• Física del plasma
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• Los reactores tokamak de confinamiento magnético prometen energía limpia y sostenible.
• Las interrupciones de plasma son un gran desafío, deteniendo la producción de energía y dañando componentes.
• La predicción precisa de las perturbaciones es fundamental para proyectos a gran escala como ITER.

Objetivo del estudio:

• Desarrollar un método avanzado de aprendizaje profundo para pronosticar interrupciones en los reactores tokamak.
• Mejorar los primeros principios existentes y los enfoques clásicos de aprendizaje automático.
• Permitir una predicción fiable de las perturbaciones en diferentes máquinas de fusión.

Principales métodos:

• Utilizó un enfoque de aprendizaje profundo entrenado en datos experimentales de alta dimensión.
• Aprovecho los recursos de supercomputación para una mayor precisión y velocidad.
• Modelos entrenados en base a los datos de las tokamaks DIII-D y del Joint European Torus (JET).

Principales resultados:

• El método de aprendizaje profundo demostró capacidades confiables de predicción de interrupciones.
• Se ha logrado una predicción exitosa de las máquinas cruzadas, un requisito clave para los reactores futuros.
• Se habilitó la predicción con largos tiempos de advertencia, facilitando el control activo del reactor.

Conclusiones:

• El aprendizaje profundo ofrece una herramienta poderosa para avanzar en la ciencia de la energía de fusión.
• El método desarrollado mejora significativamente la previsión de perturbaciones para los tokamaks.
• Este enfoque tiene implicaciones más amplias para predecir sistemas físicos complejos.