Oak Ridge National Laboratory, Cleveland Clinic e IBM realizaron los primeros cálculos conocidos de materiales de fusión en computadores cuánticos, con un trabajo centrado en FLiBe y en la extracción de tritio, uno de los desafíos técnicos para futuros reactores de energía de fusión.
Ivan
El cálculo abordó el problema del tritio en la fusión
El equipo calculó nueve configuraciones moleculares de un material candidato para producir combustible de fusión. El estudio se enfocó en FLiBe, una sal líquida compuesta por flúor, litio y berilio, considerada entre las alternativas relevantes para extraer tritio en reactores de fusión.
El tritio es extremadamente escaso en la naturaleza y resulta necesario para la mayoría de los diseños propuestos de energía de fusión. Su disponibilidad ha sido una barrera técnica de largo plazo, por lo que el trabajo se vinculó con los objetivos de la Genesis Mission del Departamento de Energía de Estados Unidos.
La dificultad no se limita a seleccionar una sal líquida adecuada, porque la composición del FLiBe puede cambiar bajo radiación intensa de neutrones, calor extremo y campos magnéticos. Por eso, comprender sus propiedades cuánticas permite estudiar su energía, estabilidad e interacción con el tritio.
Tom Beck, responsable de Science Engagement en la Computing and Computational Sciences Directorate de ORNL, vinculó el cálculo con la Genesis Mission, que reúne laboratorios nacionales, universidades, socios industriales y Cleveland Clinic para estudiar tritio en mantas de sales fundidas.
“Los computadores cuánticos, como los construidos por IBM y mejorados por IA y computación a exaescala, son herramientas clave que aceleran los ciclos de descubrimiento y diseño necesarios para producir suficiente tritio para alimentar reactores de fusión”.
Juan Andrés
La investigación combinó computación cuántica y clásica
La investigación usó un enfoque de supercomputación centrada en computación cuántica, donde CPUs, GPUs y QPUs trabajan sobre distintas partes de un mismo problema. En este caso, los circuitos cuánticos se aplicaron a componentes que requerían describir la estructura electrónica del material.
El equipo calculó energías de diferentes conformaciones de FLiBe, con tritio y sin tritio. Ese análisis permitió observar cómo se mueven los átomos en varias configuraciones y extraer propiedades asociadas a la fuerza y el mecanismo de unión al tritio.
Ivan
Kenneth Merz, científico de Cleveland Clinic y autor correspondiente del trabajo, explicó que la investigación extendió técnicas usadas en simulaciones biológicas complejas hacia ciencia de materiales. Ese paso permitió aplicar métodos desarrollados para proteínas a sistemas relevantes para la fusión.
“Este trabajo se basa en nuestros avances en la simulación de sistemas biológicos complejos a escala, incluidas proteínas de 12.635 átomos, y extiende esas técnicas a la ciencia de materiales para explorar sistemas relevantes para la fusión con mayor precisión y eficiencia”.
Jerry Chow, CTO de Quantum-Centric Supercomputing en IBM, situó el resultado dentro de una línea de trabajo que combina computación cuántica, IA y cómputo clásico. Su punto fue que estos enfoques deben operar juntos cuando el problema supera lo que cada arquitectura puede abordar por separado.
“Reunir la computación cuántica, la IA y la computación clásica es esencial para abordar los desafíos científicos más fundamentales de nuestra sociedad, desbloqueando capacidades a las que ninguno de estos paradigmas puede acceder por sí solo”.
Admin
El siguiente paso será escalar el flujo de trabajo
La colaboración continuará con el objetivo de reducir el tiempo necesario para transferir datos entre recursos cuánticos y clásicos. También buscará ampliar el tamaño de las interacciones moleculares simuladas, una condición relevante para acercar este flujo de trabajo a problemas científicos de mayor escala.
A más largo plazo, el equipo espera que el ecosistema de energía de fusión pueda usar este flujo de trabajo para diseñar y verificar sus propios materiales. Ese avance dependerá de una integración más eficiente entre computadores cuánticos, supercomputación clásica, IA y métodos de simulación científica.
Ivan
