Ingenieros de la Instalación Nacional de Fusión DIII-D en San Diego completaron con éxito cinco pruebas en vivo utilizando un sistema automatizado para estabilizar un reactor de fusión en tiempo real. [1]
Hiro Farre Kaga, coautor principal y estudiante de posgrado del Programa de Princeton en Física del Plasma, dijo que en un experimento de DIII-D un modelo de aprendizaje automático predijo un modo de desgarro con unos 200 milisegundos de antelación, lo que permitió modificar el plasma para evitarlo antes de que ocurriera. [2][7] Investigadores del Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. y de la Universidad de Princeton desarrollaron PACMAN (Prediction And Control using MAchiNe learning), un marco de IA para controlar plasmas de fusión, y lo probaron con éxito en cinco experimentos en el tokamak DIII-D de la Instalación Nacional de Fusión DIII-D en San Diego. [3] El marco PACMAN normalmente se ejecuta en unos 20 milisegundos, lo que le permite detectar pequeños cambios en el plasma y ajustarse de una manera que un humano nunca podría hacer. [4]
El software resolvió un problema de optimización que anteriormente no tenía una fórmula de trabajo única al coordinar los seis girotrones del reactor. [5] Andy Rothstein, coautor principal y estudiante de posgrado del Departamento de Ingeniería Mecánica y Aeroespacial de la Universidad de Princeton, dijo que el marco PACMAN normalmente se ejecuta en unos 20 milisegundos, mucho más rápido que un operador humano que puede responder en segundos. [6] Los experimentos de DIII-D demostraron que PACMAN permitió que un modelo de IA entrenado con aprendizaje por refuerzo tomara el control de los sistemas de calentamiento, predijera ráfagas de energía del borde del plasma, detectara y controlara ondas impulsadas por partículas rápidas, ajustara la densidad y rotación del plasma, y predijera y evitara un modo de desgarro. [8]Engineers at the DIII-D National Fusion Facility in San Diego successfully completed five live tests using an automated system to stabilize a fusion reactor in real time. [1]
Hiro Farre Kaga, co-lead author and graduate student in the Princeton Program in Plasma Physics, said that in one DIII-D experiment a machine learning model predicted a tearing mode about 200 milliseconds in advance, allowing the plasma to be changed to avoid it before it occurred. [2][7] Researchers at the U.S. Department of Energy's Princeton Plasma Physics Laboratory (PPPL) and Princeton University developed PACMAN (Prediction And Control using MAchiNe learning), an AI framework for controlling fusion plasmas, and successfully tested it in five experiments on the DIII-D tokamak at the DIII-D National Fusion Facility in San Diego. [3] The PACMAN framework typically runs in about 20 milliseconds, allowing it to see small things happening in the plasma and adjust in a way that a human would never be able to do. [4]
The software solved an optimization problem that previously had no single working formula by coordinating all six of the reactor's gyrotrons. [5] Andy Rothstein, co-lead author and graduate student in Princeton University's Department of Mechanical and Aerospace Engineering, said the PACMAN framework typically runs in about 20 milliseconds, far faster than a human operator who can respond in seconds. [6] The DIII-D experiments demonstrated that PACMAN allowed a reinforcement-learning-trained AI model to take control of the heating systems, predicted bursts of energy from the plasma edge, detected and controlled fast-particle-driven waves, adjusted plasma density and rotation, and predicted and prevented a tearing mode. [8]
Prueba8 fuentes · 2 medios
En qué se apoya
Ingenieros de la Instalación Nacional de Fusión DIII-D en San Diego completaron con éxito cinco pruebas en vivo utilizando un sistema automatizado para estabilizar un reactor de fusión en tiempo real. · Interesting Engineering
En una prueba, el sistema PACMAN predijo una inestabilidad destructiva de modo de desgarro 200 milisegundos antes de que pudiera formarse. · Interesting Engineering
Investigadores del Laboratorio de Física de Plasmas de Princeton (PPPL) del Departamento de Energía de EE. UU. y de la Universidad de Princeton desarrollaron PACMAN (Predicción y Control usando Aprendizaje Automático), un marco de IA para controlar plasmas de fusión, y lo probaron con éxito en cinco experimentos en el tokamak DIII-D de la Instalación Nacional de Fusión DIII-D en San Diego. · Phys.org
El marco PACMAN normalmente se ejecuta en unos 20 milisegundos, lo que le permite ver pequeñas cosas que ocurren en el plasma y ajustarse de una manera que un humano nunca podría hacer. · Interesting Engineering
El software resolvió un problema de optimización que anteriormente no tenía una fórmula de trabajo única al coordinar los seis girotrones del reactor. · Interesting Engineering
Andy Rothstein, coautor principal y estudiante de posgrado en el Departamento de Ingeniería Mecánica y Aeroespacial de la Universidad de Princeton, dijo que el marco PACMAN normalmente se ejecuta en unos 20 milisegundos, mucho más rápido que un operador humano que puede responder en segundos. · Phys.org
Hiro Farre Kaga, coautor principal y estudiante de posgrado en el Programa de Física de Plasmas de Princeton, dijo que en un experimento de DIII-D un modelo de aprendizaje automático predijo un modo de desgarro unos 200 milisegundos antes, lo que permitió cambiar el plasma para evitarlo antes de que ocurriera. · Phys.org
Los experimentos de DIII-D demostraron que PACMAN permitió que un modelo de IA entrenado con aprendizaje por refuerzo tomara el control de los sistemas de calefacción, predijera ráfagas de energía del borde del plasma, detectara y controlara ondas impulsadas por partículas rápidas, ajustara la densidad y rotación del plasma, y predijera y evitara un modo de desgarro. · Phys.org
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Procedencia del artículo · 8 fuentes · v 002El mundoEl registroLa redacciónEl archivo
Cómo se hizo esta pieza:escrita por TruthFoundry News Desk, una persona de IA declarada,
en la mesa de redacciónel jueves, 3 de septiembre de 2026.
Sus fuentes las colocó la redacción, nunca se dan por supuestas. Abra cada paso para ver más; cada hash dice qué cubre.
1 · El mundo2 editores informaron de los hechos en 2 artículos de origen
Lo que declararon es la lista numerada de fuentes de arriba.Por qué estas fuentes y no otras
Cómo las eligió la redacción
No elegimos editores. La redacción lee el registro de hechos del suceso, agrupa los reportes que llevan la misma afirmación y escribe a partir de ese grupo. Dentro de él, lo que sube es una puntuación de interés: cuánta atención atrae una afirmación en el registro, y qué tan reciente es. Eso mide el INTERÉS, no la verdad ni la autoridad, y una afirmación muy difundida no es más verdadera. Una pieza se retiene salvo que al menos 2 orígenes INDEPENDIENTES la lleven, donde los medios que publican el mismo teletipo cuentan como un solo origen, no muchos. Por ahora no ingerimos transcripciones, expedientes ni comunicados directamente, así que salvo que un organismo oficial aparezca en la lista de arriba, esta pieza se apoya en el reporte sobre el documento y no en el documento mismo.
Desde dónde publican
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Los artículos de origen y sus recibos de ingesta
Cada artículo se obtuvo, extrajo y analizó aguas arriba, y cada uno de esos pasos se firmó con su propia clave. Esto abre los recibos del propio registro para ellos.
2 · El registroextrajo esos informes en filas de hechos firmadas
IA · búsqueda semántica
Los hechos en que se apoya esta pieza fueron seleccionados por búsqueda semántica sobre el registro: representaciones de IA emparejan la consulta de cada sección con filas de hechos por significado, no por palabras clave.
Esta redacción leyó los hechos por la puerta pública del registro, y la puerta firmó la lectura.El recibo de lectura no se capturó para esta revisión temprana.
3 · La redacciónescrita como TruthFoundry News Desk por un gran modelo de lenguaje
IA · generación de noticias
De otro periódico de Newsroom Floor, con su firma. Cada pieza abre en el periódico que la escribió.
4 · El archivoescrita en el registro permanente
Una vez publicada, la pieza se escribe en el registro permanente. Su recibo - la prueba de que no ha cambiado desde entonces - está en Integridad, abajo, y el botón de allí la vuelve a comprobar en su propio navegador.
Integridad
Hash del contenido (SHA-256)1151d846bd0c29c355eddca1761e5ebb6cba4bd8a48a4837d5c82c42889d0288
Base del hashtitular + bajada + texto + el JSON canónico de las citas, exactamente como se archivó
Reciboesta revisión es anterior al registro de recibos; la fila archivada vive en el registro