Cómo la IA puede impulsar el renacimiento nuclear y acelerar diseños seguros

Un desafío oportuno

Hoy, Estados Unidos opera 94 reactores nucleares, más que cualquier otro país, y con ellos genera cerca del 20% de la electricidad nacional. Esa contribución histórica es importante, pero, como señala Dean Price, investigador del MIT, “nuestro país necesita mucho más de la energía nuclear” en un momento en que se buscan alternativas a los combustibles fósiles.

Price, profesor asistente en el Departamento de Nuclear Science and Engineering (NSE) del MIT y Atlantic Richfield Career Development Professor in Energy Studies, eligió la ingeniería nuclear con la ambición de llevar la tecnología más allá del parque actual: mejores estándares de seguridad, costes competitivos y mayor confiabilidad.

Trayectoria y motivación

En sus primeros trabajos como estudiante en la University of Illinois Urbana-Champaign, Price evaluó la seguridad de los contenedores de acero y hormigón usados para almacenar combustible gastado tras su enfriamiento en piscinas, concluyendo que ese método es razonablemente seguro. No obstante, el almacenamiento a largo plazo y la disposición final del combustible siguen siendo temas abiertos en Estados Unidos.

Durante sus estudios de posgrado en la University of Michigan a partir de 2020 y luego al incorporarse al MIT en septiembre de 2025, Price centró su investigación en modelados “multiphysics”: simulaciones que analizan varios procesos físicos que ocurren simultáneamente en el núcleo del reactor, en lugar de estudiar cada proceso de forma aislada.

¿Qué aporta el multiphysics? Neutrónica y termohidráulica

Entre los procesos que se acoplan está la neutrónica —cómo los neutrones propagan la fisión en el núcleo— y la termohidráulica —el comportamiento térmico y de fluidos que extrae el calor generado. Como explica Price, “si alguna vez quieres cambiar tu nivel de potencia, o hacer cualquier cosa con el reactor, la temperatura del combustible es una entrada crítica que necesitas conocer”.

Un modelado multiphysics permite correlacionar la actividad de fisión con propiedades térmicas, por ejemplo para predecir cómo un cambio en la extracción de calor afectará la probabilidad de que el combustible siga causando fisiones. Para los reactores de agua ligera que operan hoy (con capacidades del orden de 1.000 megavatios), estas técnicas están bien desarrolladas.

Reactores avanzados: SMR y microreactores

El terreno donde Price dirige mayor atención es el de los reactores avanzados: pequeños reactores modulares (SMR) con capacidades aproximadas entre 20 y 300 MW, y microreactores en el rango de 1 a 20 MW. Aunque hoy hay muy pocos operando, estos diseños prometen más flexibilidad, potenciales reducciones de costo y mejoras en seguridad.

Sin embargo, modelarlos es más complejo: las ecuaciones acopladas son no lineales y sus soluciones pueden requerir supercomputadores o aproximaciones costosas. Eso limita la velocidad con la que se pueden evaluar diseños y escenarios operativos.

El papel crítico de la inteligencia artificial

Aquí es donde entra la inteligencia artificial. Los métodos de aprendizaje automático son hábiles para descubrir patrones en datos y correlaciones entre variables clave de operación. Price explica que, con suficiente información, la IA puede responder consultas como: “si me dices el nivel de potencia de tu reactor, podría decirte cuál es la temperatura del combustible e incluso ofrecer una distribución tridimensional de temperaturas en el núcleo”.

Lograr esto sin resolver explícitamente complicadas ecuaciones diferenciales implicaría una reducción significativa en costos computacionales. Price explora aplicaciones de IA para apoyar el diseño de nuevos tipos de reactores, utilizando modelos que complementen —y no sustituyan— los marcos de seguridad probados en las últimas cinco décadas. “De esta manera, la IA no estará interfiriendo directamente con elementos que son críticos para la seguridad”, señala. En su visión, la IA llena vacíos de conocimiento y acelera decisiones tempranas de diseño.

Ventajas y límites: aceleración sin comprometer seguridad

El enfoque propuesto se basa en dos principios: usar la IA para acelerar la comprensión de relaciones físicas y utilizar los marcos regulatorios y de seguridad existentes para validar cualquier propuesta de diseño. Es decir, la IA aporta predicciones y patrones útiles en etapas preliminares, mientras que el análisis de seguridad final se realiza con los métodos oficiales y verificados.

Este equilibrio es importante: la reducción del coste computacional puede permitir explorar muchas más configuraciones de diseño y condiciones operativas, detectando riesgos o beneficios tempranamente. Pero Price subraya que los modelos de IA requieren datos representativos y procesos rigurosos de verificación para evitar extrapolaciones peligrosas en contextos operativos reales.

Relevancia para América Latina

Aunque el artículo original se centra en el trabajo del MIT y la situación de Estados Unidos, las implicaciones son de interés para América Latina. En la región hay países con experiencia nuclear y otros evaluando su papel en las transiciones energéticas. Las herramientas que permitan diseñar y validar reactores más pequeños y flexibles —con menos dependencia de infraestructuras gigantescas— podrían ser atractivas para contextos donde la electrificación distribuida y la resiliencia son prioridades.

Además, la posibilidad de acelerar evaluaciones de diseño con IA puede reducir barreras técnicas y de costo a la hora de explorar opciones tecnológicas. No obstante, cualquier adopción regional tendría que ajustarse a marcos regulatorios locales, disponibilidad de datos, capacidades técnicas y preocupaciones públicas sobre seguridad y gestión de residuos.

Conclusión

El trabajo de Dean Price ilustra una vía pragmática: combinar el conocimiento físico tradicional con herramientas de inteligencia artificial para hacer más ágil y económico el diseño de reactores avanzados, manteniendo las salvaguardas establecidas. La promesa es doble: mejores herramientas de predicción para desarrolladores y una mayor capacidad de explorar soluciones que pueden contribuir a sistemas eléctricos con menos emisiones.

Para tomadores de decisión en la región, la lección es clara: la innovación en modelado y verificación puede facilitar la evaluación de nuevas tecnologías nucleares, pero su incorporación exige diálogo técnico, marcos regulatorios robustos y transparencia en la gestión de riesgos. La IA no reemplaza la ingeniería ni la regulación; las potencia si se integra con cautela y rigor.