Antes de cada arranque de un tokamak —el dispositivo donde un gas sobrecalentado se mantiene confinado por un campo magnético—, los operadores pasan horas calculando cómo se comportará el plasma. Equivocarse es demasiado caro: un solo parámetro incorrecto puede arruinar el experimento. Ahora, una red neuronal acude al rescate: aprende de los lanzamientos anteriores y da su pronóstico más rápido que un parpadeo.
El modelo funciona como un cocinero experimentado: conociendo la receta (corriente en las bobinas, potencia de calentamiento, densidad del gas), predice cómo quedará el plato: cuán caliente y estable será el plasma. En lugar de horas de cálculo en un superordenador, la respuesta llega en 0,1 segundos. Para entrenarlo se usaron datos de 550 descargas del tokamak WEST en Francia.
Esa velocidad abre nuevas posibilidades: se pueden probar rápidamente distintos escenarios de arranque, descartar opciones peligrosas e incluso ajustar los parámetros durante la propia descarga. La energía de fusión es como un baile complejo donde cada paso debe estar medido. La red neuronal se convierte en la pareja que te susurra el siguiente movimiento un instante antes de que suene la música.
tal como lo escribieron los autores, en inglés arXiv:2602.19110
Accurately predicting plasma behavior based on discharge configurations is essential for the safe and efficient operation of tokamak experiments. While physics-based integrated modeling codes provide valuable insights, their high computational cost limits their applicability for fast scenario design and control optimization. In this study, we propose a transformer-based machine learning model to predict key global plasma parameters on the WEST tokamak, including the normalized beta ($$\beta_{n}$$), toroidal beta ($$\beta_{t}$$), poloidal beta ($$\beta_{p}$$), plasma stored energy ($$W_{\mathrm{mhd}}$$), safety factor at the magnetic axis ($$q_{0}$$), and safety factor at the 95% flux surface ($$q_{95}$$). The model uses only signals that can be defined before the discharge, such as magnetic coil currents, auxiliary heating power, plasma current reference, and line-averaged plasma density. Trained on 550 discharges from the WEST campaigns, the model demonstrates an average mean square error (MSE) loss of 0.026, an average coefficient of determination $$R^{2}$$ of 0.94, and achieves inference times on the order of 0.1 seconds. These results highlight the potential of data-driven surrogate models for assisting in discharge planning, scenario evaluation, and real-time control of tokamak plasmas.
El tokamak WEST debe su nombre a la palabra inglesa «west» (oeste), porque es la rama de Europa occidental del proyecto internacional ITER.