Imagina un mundo en el que podamos aprovechar la misma energía que alimenta a las estrellas, un proceso conocido como fusión nuclear. Para hacer esto realidad, los científicos construyen enormes máquinas con forma de dónut llamadas tokamaks. Dentro de estas máquinas, un gas sobrecalentado, o plasma, es comprimido por potentes campos magnéticos hasta que se fusiona, liberando enormes cantidades de energía. El desafío es que este plasma es increíblemente caótico e inestable. Para mantenerlo contenido y seguro, los investigadores dependen de una vasta serie de sensores que actúan como el sistema nervioso de la máquina. Estos sensores miden constantemente todo, desde la temperatura y la presión del gas hasta la fuerza de los campos magnéticos que lo mantienen todo unido. Durante décadas, los científicos han utilizado estos datos para predecir cuándo el plasma podría volverse inestable y para controlar la máquina en tiempo real. Sin embargo, a medida que el objetivo se desplaza hacia la construcción de una planta de energía verdaderamente autosustentable, el volumen y la variedad de estos datos se han vuelto abrumadores, creando un nuevo tipo de rompecabezas que los programas informáticos tradicionales luchan por resolver.

Un equipo de investigadores de la Universidad de Princeton ha dado un nuevo enfoque a este problema de datos, centráéndose en cómo organizarlos para la próxima generación de inteligencia artificial. Están explorando el uso de "modelos fundacionales", un tipo de programa informático avanzado que aprende patrones generales a partir de cantidades masivas de información, de forma muy similar a cómo los grandes modelos de lenguaje aprenden a comprender el habla humana. Si bien estos modelos han revolucionado campos como el lenguaje y el reconocimiento de imágenes, aplicar la fusión nuclear es difícil porque los datos no son uniformes. En un experimento de fusión típico, la máquina genera una mezcla caótica de información: algunos sensores toman mediciones simples y lentas de un solo valor, mientras que otros capturan instantáneas compleas y de alta velocidad de ondas y patrones. Los investigadores descubrieron que intentar alimentar un modelo informático directamente con estos datos desordenados es como intentar verter un cubo de arena, un vaso de agua y un puñado de rocas en un solo embudo a la vez; los diferentes materiales simplemente no fluyen bien juntos.

Para entender el alcance del desafío, el equipo analizó los datos del tokamak DIII-D, una importante instalación de investigación de fusión. Catalogaron veintitrés tipos diferentes de mediciones, que van desde lecturas simples de corriente hasta imágenes complejas y patrones de ondas similares al sonido. Descubrieron que los datos varían enormemente en velocidad. Algunos sensores registran información solo unas pocas veces por segundo, mientras que otros capturan miles de instantáneas cada segundo. Esta diferencia abarca cinco órdenes de magnitud, lo que significa que los sensores más rápidos son aproximadamente cien mil veces más rápidos que los más lentos. Además, los datos vienen en diferentes formas. Algunas mediciones son solo una línea de números cambiando con el tiempo, otras son cuadrículas bidimensionales que parecen mapas de calor y algunas son bloques tridimensionales de datos que muestran cómo se mueven las ondas a través del plasma. Si un modelo informático intenta aprender de todos ellos a la vez, corre el riesgo de confundirse por el enorme volumen de los datos de movimiento rápido, ignorando potencialmente las señales más lentas, pero igualmente importantes, que cuentan la historia de la salud general de la máquina.

Los investigadores también descubrieron que la física dentro de la máquina cambia constante e impredeciblemente. El plasma no se comporta de una manera constante y predecible; en cambio, sus propiedades cambian en fracciones de segundo debido a la turbulencia, mientras que la forma general del plasma evoluciona durante períodos mucho más largos. Esto significa que las formas estándar de limpiar y preparar datos, que a menudo asumen un fondo constante, no logran capturar la verdadera naturaleza del sistema. El equipo se dio cuenta de que, para construir un modelo fundacional exitoso, no pueden simplemente lanzar todos los datos en un solo montón. En su lugar, deben decidir cuidadosamente cómo segmentar los datos en el tiempo. Si observan una ventana de tiempo muy corta, pueden ver claramente las ondas rápidas y caóticas, pero pierden la visión general de cómo está evolucionando la máquina. Si observan una ventana más larga, ven los cambios lentos pero pierden el detalle de las fluctuaciones rápidas.

A través de su análisis, el equipo propuso una estrategia específica para organizar estos datos para que sean utilizables para entrenar estos modelos avanzados. Sugirieron que una ventana de tiempo de aproximadamente cien milisegundos sirve como un equilibrio práctico. Esta duración es lo suficientemente larga como para capturar los movimientos lentos y constantes del plasma, pero lo suficientemente corta como para seguir viendo las ondas rápidas e importantes. También recomendaron un método para manejar las diferentes velocidades de los sensores. En lugar de forzar a todos los datos a correr a la misma velocidad, lo que perdería detalles importantes de alta velocidad o crearía una cantidad inmanejable de datos de baja velocidad, propusieron un enfoque de procesamiento flexible. Dependiendo de la arquitectura de modelo específica que se esté utilizando, sugirieron ya sea precomputar representaciones complejas como espectrogramas a partir de formas de onda puras para reducir el volumen de datos, o procesar los datos sobre la marcha extrayendo ventanas de tiempo y aplicando normalización y aumentación mientras el modelo se entrena. Este enfoque permite que la computadora aprenda de los sensores rápidos y de los sensores lentos simultáneamente sin forzarlos a un molde único y artificial.

El estudio concluye que, si bien el camino hacia un futuro alimentado por la fusión es complejo, los datos necesarios para llegar allí son cada vez más accesibles si se organizan correctamente. Los investigadores no construyeron una planta de energía de fusión funcional en este estudio, ni entrenaron un modelo final y perfecto. En su lugar, proporcionaron un plano crucial. Mapearon el panorama de los datos, identificaron los obstáculos específicos que han impedido que los científicos utilicen la inteligencia artificial a gran escala en este campo y ofrecieron un conjunto claro de directrices sobre cómo proceder. Su trabajo sugiere que, al respetar la naturaleza única de los datos —sus diferentes velocidades, formas y comportamientos—, los científicos finalmente pueden comenzar a entrenar los poderosos sistemas informáticos necesarios para dominar la caótica física de la fusión nuclear. Esta organización es el primer paso necesario hacia un futuro donde las máquinas puedan aprender a controlar las estrellas en la Tierra.