Een nieuwe AI-aanpak, genaamd HEAT-ML, ontwikkeld door een samenwerking tussen Commonwealth Fusion Systems (CFS), het Princeton Plasma Physics Laboratory (PPPL) en Oak Ridge National Laboratory, versnelt aanzienlijk de identificatie van "magnetische schaduwen" in fusiereactoren. Deze schaduwen zijn cruciaal voor het afschermen van reactorcomponenten tegen de intense hitte van plasma.
HEAT-ML maakt gebruik van een deep neural network, getraind op ongeveer 1.000 SPARC-simulaties. Dit stelt het model in staat om schaduwmaskers, oftewel 3D-kaarten van magnetische schaduwen, in milliseconden te voorspellen. Dit is een aanzienlijke verbetering ten opzichte van de oorspronkelijke HEAT-code, die voorheen ongeveer 30 minuten per simulatie in beslag nam. De primaire toepassing van HEAT-ML ligt in het simuleren van een deel van SPARC, een tokamak die momenteel door CFS wordt gebouwd en naar verwachting tegen 2027 netto energiewinst zal demonstreren. Door nauwkeurig te voorspellen waar de warmte van het plasma de binnenkant van de reactor raakt, is HEAT-ML essentieel voor het ontwerpen van componenten die deze omstandigheden kunnen weerstaan. Deze vooruitgang in AI-gedreven simulatie versnelt niet alleen het ontwerpproces voor toekomstige fusiesystemen, maar verbetert ook de operationele veiligheid door real-time aanpassingen aan plasmaconfiguraties mogelijk te maken.
Onderzoekers hebben zich gericht op 15 tegels in het uitlaatsysteem van SPARC, die de meest extreme plasmaomstandigheden zullen doorstaan. Deze innovaties onderstrepen het transformerende potentieel van AI in het versnellen van fusie-energieonderzoek en brengen het vooruitzicht van schone en overvloedige energie dichterbij. Zo ontwikkelden onderzoekers in juli 2025 AI-systemen om verstoringen te voorspellen en plasmaconfinementtoestanden in fusiereactoren te monitoren, met hoge succespercentages.