Un equipo multidisciplinario de investigadores de MIT y otras instituciones está utilizando modelos de visión por computadora basados en aprendizaje automático para identificar y rastrear estructuras turbulentas en la fusión nuclear, lo que podría llevar a avances significativos en la producción de energía limpia y prácticamente ilimitada.

La fusión nuclear, que promete energía prácticamente ilimitada y libre de carbono mediante los mismos procesos que alimentan al sol, podría recibir un impulso significativo gracias a la inteligencia artificial. Un equipo de investigadores de diversas disciplinas está utilizando herramientas y conocimientos del aprendizaje automático para contribuir a este esfuerzo global en la lucha contra el cambio climático. Científicos del MIT y otros lugares han utilizado modelos de visión por computadora para identificar y rastrear estructuras turbulentas que aparecen bajo las condiciones necesarias para facilitar las reacciones de fusión. Monitorear la formación y movimientos de estas estructuras, llamadas filamentos o 'blobs', es crucial para comprender los flujos de calor y partículas que emanan del combustible que reacciona, lo que a su vez determina los requisitos de ingeniería para las paredes del reactor. El equipo de investigadores creó un conjunto de datos de video sintético de turbulencia de plasma para mejorar la eficiencia en este proceso. Entrenaron cuatro modelos de visión por computadora, los cuales identifican y rastrean los 'blobs' de manera similar a como lo haría un humano. Al probar los modelos entrenados con videoclips reales, estos pudieron identificar 'blobs' con alta precisión, en algunos casos superando el 80%. Además, los modelos estimaron de manera efectiva el tamaño de los 'blobs' y la velocidad a la que se movían. El uso de modelos de aprendizaje automático para rastrear 'blobs' podría proporcionar a los científicos información mucho más detallada y acelerar los avances en la producción de energía prácticamente ilimitada y limpia mediante la fusión nuclear. Esto demuestra el enorme potencial de las técnicas de aprendizaje automático y cómo podemos utilizar estos recursos computacionales para lograr un progreso significativo en la búsqueda de soluciones energéticas sostenibles.