W czasopiśmie „Science: ukazała się praca, która może zmienić sposób planowania eksperymentów nad fuzją jądrową. Zespół z Lawrence Livermore National Laboratory (LLNL) opisał, jak opracowany przez nich model uczenia maszynowego z powodzeniem przewidział wynik kluczowego eksperymentu w National Ignition Facility (NIF) z 2022 r.
„To, co ekscytuje nas w tym modelu, to możliwość podejmowania bardziej świadomych decyzji o tym, które eksperymenty zwiększają nasze szanse na sukces” – mówi Kelli Humbird, liderka Cognitive Simulation Group w programie Inertial Confinement Fusion w NIF, cytowana przez Gizmodo.
Zapłon – św. Graal energetyki
Obecne elektrownie atomowe opierają się na rozszczepieniu jąder ciężkich pierwiastków, takich jak uran. Fuzja, proces odwrotny, polega na łączeniu jąder lekkich, np. izotopów wodoru deuteru i trytu, co uwalnia ogromne ilości energii. W odróżnieniu od rozszczepienia, fuzja nie wytwarza długotrwałych odpadów radioaktywnych.
Eksperymenty w NIF polegają na użyciu 192 laserów, które ogrzewają złoty cylinder zwany hohlraumem. Wewnątrz znajduje się mikroskopijna kapsułka paliwowa z deuterem i trytem. Promieniowanie rentgenowskie spręża kapsułkę do ekstremalnych temperatur i ciśnień, imitując warunki we wnętrzu gwiazd. Jeśli wszystko pójdzie zgodnie z planem, reakcja fuzji wytwarza więcej energii, niż zużyto na jej wywołanie – to właśnie nazywa się zapłonem.
Do tej pory projektowanie eksperymentów opierało się głównie na skomplikowanych symulacjach komputerowych. Jak tłumaczy Humbird, są one „niepełną mapą”: wymagają uproszczeń, by mogły zostać obliczone, a mimo to potrafią zajmować całe dni pracy superkomputerów.
„Czasem laser nie zachowuje się tak, jak planowaliśmy. Czasem w tarczy znajdzie się mikroskopijny defekt i cały eksperyment się sypie” – mówi Humbird. Każda próba kosztuje miliony dolarów, a NIF może wykonać jedynie kilkadziesiąt prób rocznie.
AI pomogło usprawnić reaktor fuzyjny
Dlatego zespół postanowił stworzyć model generatywny, który łączy dane z wcześniejszych eksperymentów, zaawansowane symulacje hydrodynamiczne i wiedzę ekspertów. Dane były analizowane przez tygodnie na superkomputerach, których procesory pracowały łącznie przez ponad 30 mln godzin.
Rezultatem był model zdolny do przewidywania, jak zakończy się każdy kolejny eksperyment. W przypadku historycznego zapłonu z 2022 r. AI oszacowała 74-procentowe prawdopodobieństwo sukcesu, trafnie przewidując wynik. Jak podaje „Science” (Spears i in., 2025), dokładność prognoz modelu wzrosła z ok. 50 do 70 proc. dzięki kolejnym udoskonaleniom fizycznym.
Siłą modelu jest to, że uczy się na realnych błędach. „Uwzględniamy wszystkie sposoby, na jakie może pójść coś nie tak” – wyjaśnia Humbird. Dzięki temu sztuczna inteligencja nie idealizuje świata, lecz potrafi przewidzieć skutki wad instrumentów, niedoskonałości tarcz czy zwykłych kaprysów natury.
Dzięki AI badacze mogą świadomie wybierać takie konfiguracje, które maksymalizują szansę na powodzenie. Oznacza to mniej zmarnowanych prób, mniejsze koszty i szybszy postęp.
Od 10 kilodżuli do megadżuli
„Ludzie pracują nad fuzją od dziesięcioleci. Nie powinniśmy być rozczarowani, że czasem uzyskamy jeden megadżul zamiast dwóch. Jeszcze niedawno cieszyliśmy się z 10 kilodżuli. To ogromny krok naprzód” – mówi Humbird.
Rzeczywiście, historia badań nad fuzją pokazuje, że postęp jest mozolny, ale systematyczny. Przekroczenie progu zapłonu w NIF w 2022 r. było pierwszym tego typu osiągnięciem w historii. Teraz dzięki AI możliwe jest powtarzanie i doskonalenie takich eksperymentów.
Eksperci podkreślają jednak, że do komercyjnej fuzji droga wciąż jest daleka. Choć pojedyncze eksperymenty wykazują dodatni bilans energetyczny, utrzymanie stabilnej i ekonomicznej reakcji na skalę elektrowni to nadal perspektywa odległych dekad.
Mimo to nowe podejście daje nadzieję. „To wielki krok dla badań i, miejmy nadzieję, równie wielki krok w stronę czystej energii” – podsumowuje Humbird.
