La fusió nuclear controlada és un dels objectius més ambiciosos de l'enginyeria moderna. Als reactors tokamak, la física del plasma de vora i el divertor determina com es gestionen la calor i les partícules, establint fluxos tèrmics, condicions dels blancs i l'inici del despreniment. Predir aquestes magnituds amb precisió és crucial per operar dispositius actuals i futurs, però les simulacions de vora basades en codis com SOLPS-ITER requereixen hores o dies, cosa que les fa impracticables per a escombrats de paràmetres, optimització o control en temps real.
Davant aquesta limitació, els substituts neuronals han emergit com una alternativa ultra ràpida. Un enfocament prometedor és el model de consistència cíclica, que combina un model directe basat en una U-Net condicional amb un mètode invers d'optimització que utilitza la xarxa directa congelada. El model directe assigna cinc paràmetres de control (taxa de recirculació de gas, potència d'escalfament, etc.) a camps bidimensionals del plasma (densitat, temperatura, fluxos). El mètode invers recupera els paràmetres de control a partir d'observacions, i la consistència cíclica —verificar que aplicar el model directe i invers successivament retorni els valors originals— actua com un control de qualitat autosupervisat, sense necessitat d'etiquetes reals durant la inferència.
Els resultats mostren errors quadràtics mitjans normalitzats inferiors al 2,6% i correlacions de Pearson superiors a 0,95 en tots els camps. A més, un conjunt de perceptrons multicapa prediu perfils de temperatura i densitat electrònica al midplane extern i als blancs del divertor, amb estimacions d'incertesa que assenyalen on calen més simulacions. La regularització per consistència cíclica eleva el R² cíclic mitjà de 0,59 a 0,99 sense degradar la precisió directa, i permet recuperar la taxa de recirculació de gas amb una correlació de Pearson d'almenys 0,97. Amb aproximadament 4 milions de paràmetres, el model produeix prediccions 2D completes en mil·lisegons, entre cinc i sis ordres de magnitud més ràpid que SOLPS-ITER.
Aquest paradigma d'aprenentatge automàtic, on un model directe i invers es reforcen mútuament, té aplicacions directes en l'àmbit empresarial. A Q2BSTUDIO, empresa de desenvolupament de programari i tecnologia, apliquem principis similars d'intel·ligència artificial i machine learning per crear solucions que transformen dades en decisions. Per exemple, desenvolupem aplicacions a mida que integren models predictius cíclics, permetent a les empreses validar automàticament la coherència de les seves prediccions i recuperar variables d'entrada a partir de resultats observats, essencial en entorns industrials i de monitorització.
La infraestructura que suporta aquests models ha de ser escalable, segura i eficient. Per això, implementem els nostres sistemes a cloud AWS/Azure, garantint elasticitat i alta disponibilitat per a càrregues de treball d'IA. La ciberseguretat és igualment crítica: els nostres serveis de ciberseguretat protegeixen tant les dades sensibles del plasma simulat com els models de machine learning, evitant fuites d'informació i atacs adversariales. A més, integrem Power BI per visualitzar en temps real les prediccions i les incerteses, facilitant la presa de decisions basada en dades.
Una de les innovacions més interessants en aquest camp és l'ús d'agents IA que, basant-se en el model invers congelat amb un arrencada en calent mitjançant k-d tree, aconsegueixen taxes de compleció de base de dades superiors al 95%, davant d'un 30% de fallades absolutes quan s'arrenca en fred. Aquest concepte d''warm start' és directament transferible a sistemes d'optimització de processos a la indústria, on els nostres agents IA poden explorar eficientment espais de paràmetres per trobar configuracions òptimes sense necessitat de reiniciar simulacions completes.
En resum, els substituts neuronals amb consistència cíclica no només revolucionen la simulació de plasmas de tokamak, sinó que il·lustren un patró de disseny d'IA que es pot generalitzar a qualsevol domini on es necessiti rapidesa, fiabilitat i capacitat d'inversió. A Q2BSTUDIO, estem preparats per ajudar les empreses a implementar aquestes arquitectures, combinant experiència en desenvolupament de programari a mida, cloud computing, ciberseguretat, intel·ligència de negoci i agents autònoms. La fusió del coneixement en física de plasmes amb l'enginyeria de programari d'avantguarda obre possibilitats que abans semblaven inabastables, tant en la recerca energètica com en la transformació digital empresarial.
