Wspólny wysiłek Commonwealth Fusion Systems (CFS), Princeton Plasma Physics Laboratory (PPPL) oraz Oak Ridge National Laboratory doprowadził do opracowania HEAT-ML – innowacyjnego podejścia wykorzystującego sztuczną inteligencję (AI), które znacząco przyspiesza identyfikację tzw. „cieni magnetycznych” w reaktorach fuzyjnych. Obszary te są kluczowe dla ochrony komponentów reaktora przed intensywnym ciepłem plazmy, stanowiąc bezpieczne strefy termiczne.
HEAT-ML wykorzystuje głęboką sieć neuronową, wytrenowaną na około 1000 symulacjach SPARC z narzędzia Heat flux Engineering Analysis Toolkit (HEAT). Dzięki temu model potrafi w ciągu milisekund przewidzieć tzw. maski cieni – trójwymiarowe mapy obszarów chronionych przed ciepłem. Jest to ogromne usprawnienie w porównaniu do pierwotnego kodu HEAT, który wymagał około 30 minut na jedną symulację. Ta szybkość jest kluczowa, ponieważ dokładne mapowanie tych cieni jest niezbędne zarówno dla projektowania komponentów reaktora, jak i dla wprowadzania korekt w czasie rzeczywistym podczas jego pracy, co pozwala zapobiegać potencjalnym problemom.
Głównym zastosowaniem HEAT-ML jest symulacja fragmentu SPARC, tokamaka budowanego przez CFS, który ma na celu zademonstrowanie uzyskania dodatniego bilansu energetycznego (więcej energii wyprodukowanej niż zużytej) do 2027 roku. Precyzyjne przewidywanie miejsc, w których ciepło z plazmy oddziałuje na wnętrze reaktora, jest fundamentalne dla projektowania elementów wytrzymujących ekstremalne warunki.
Rozwój HEAT-ML wpisuje się w szerszy trend wykorzystania AI w badaniach nad fuzją, gdzie sztuczna inteligencja staje się nieocenionym narzędziem w rozwiązywaniu złożonych wyzwań naukowych. Podobne zastosowania AI w przewidywaniu zakłóceń i monitorowaniu stanów plazmy w reaktorach fuzyjnych odnotowano również w lipcu 2025 roku w Hefei Institutes of Physical Science. Postęp w symulacjach napędzanych przez AI nie tylko usprawnia proces projektowania przyszłych systemów fuzyjnych, ale także zwiększa bezpieczeństwo operacyjne. Umożliwia wprowadzanie korekt w konfiguracji plazmy w locie, potencjalnie zapobiegając awariom, zanim zdążą się pojawić.
Prace nad HEAT-ML pokazują, jak połączenie istniejących kodów z zaawansowanymi modelami AI może znacząco przyspieszyć uzyskiwanie użytecznych wyników, otwierając nowe możliwości w zakresie kontroli i planowania scenariuszy. To innowacyjne narzędzie przybliża nas do realizacji potencjału czystej i niemal nieograniczonej energii fuzyjnej.