Praadhyumn Indaana, un estudiante de 18 años de Montvale (Nueva Jersey, Estados Unidos), ha creado una IA que predice cuándo falla la refrigeración de un reactor nuclear. El Instituto Davidson le concedió en septiembre de 2026 una beca de 50.000 dólares por este trabajo.
Su programa se alimentó de más de 10.000 experimentos reales, según la ficha que publica el instituto. Frente a las fórmulas de siempre, que en sus pruebas fallaban de media un 63 %, el suyo se quedó en un 5,5 %. Eso sí, de momento solo se ha evaluado con un conjunto de datos de prueba, no en una central.
El agua que deja de enfriar
En un reactor de agua, el calor de las barras de combustible se retira hirviendo el agua que las rodea. Las burbujas se llevan esa energía, pero solo hasta cierto punto.
Ese techo se llama flujo de calor crítico. Cuando se pasa, el vapor empuja el agua lejos de la barra y el enfriamiento se para casi en seco. A partir de ahí, cuenta Indaana, la barra se calienta muy rápido y se vuelve «increíblemente peligrosa».
Casi todos los reactores comerciales funcionan con holgura por debajo de ese límite. El problema, según el estudiante, es que nadie sabe con precisión dónde está. De ahí que los ingenieros vayan con pies de plomo y dejen mucha potencia sobre la mesa.
Una pregunta en Columbia
Todo empezó en una clase sobre energía de fusión en la Universidad de Columbia, en Nueva York. Indaana preguntó al profesor por qué reactores tan estudiados seguían operando con tanta cautela.
Según el profesor, nadie sabe predecir ese flujo crítico en todas las condiciones. Por eso se diseña con prudencia. La fusión arrastra un reto parecido con el calor, y allí la IA ya ayuda a anticipar inestabilidades del plasma en un tokamak.
«Una pregunta que planteé en clase se convirtió en ocho meses sentado ante un escritorio en mi casa», contó en la nota del Instituto Davidson del 14 de septiembre. Repartió ese tiempo entre leer bibliografía, reunir datos, montar el modelo y analizarlo.
Usó su propio ordenador y entrenó los modelos en la nube, con servicios como Kaggle. Un mentor le orientó en el método. La termohidráulica y la estadística, en cambio, las aprendió solo.
Diez mil ensayos con freno
Su programa es una red neuronal, un tipo de IA que aprende con ejemplos. A los datos les sumó límites sacados de la teoría física de los fluidos. Así el modelo no puede dar cualquier respuesta.
Las primeras versiones fallaban donde había pocos datos. Casi todos los ensayos recogían agua poco hervida. Cuando el modelo calculaba flujos con mucho vapor, daba valores absurdos, reconoce el autor.
Para corregir aquel fallo hizo dos cambios en el entrenamiento. Dio más peso a la física cuando las fórmulas clásicas coincidían entre sí. Y castigó cualquier predicción que pasara de un tope físico conocido.
Con un conjunto fijo de datos de prueba, el modelo logró un R² de 0,986. Esa cifra mide cuánto se parecen las predicciones a lo observado, no la seguridad del reactor. Indaana añadió además pruebas estadísticas extra, porque la mejora media no le bastaba.
La regla del 95 %
Cada reactor debe tener un 95 % de confianza en que el 95 % de sus barras no pasará del flujo crítico. Así lo recuerda el estudiante, que considera esa norma intocable.
Lo que sí cambia es cuánta potencia se sacrifica para cumplirla. Eso depende de lo bien que se calcule el límite, y con errores de más del 60 % el margen es enorme. Estados Unidos ya busca sacar más megavatios de las centrales que ya tiene, aunque por otras vías.
Para el autor, bajar el error al 5 % «no significa construir un reactor menos seguro». Significa, dice, construir el mismo por menos dinero. Cree que también abarataría los reactores modulares pequeños, aunque no da cifras.
De los tubos a los haces
Acertar en una base de datos no garantiza acertar dentro de un núcleo. Lo ilustra un trabajo independiente publicado en arXiv en febrero de 2026. Lo firman la Universidad Estatal de Carolina del Norte, el Laboratorio Nacional de Oak Ridge y la Universidad de Tennessee.
Sus autores entrenaron varias IA con datos de tubos sueltos. Después las probaron en haces de 5 por 5 barras, donde el agua cruza de un canal a otro. De media acertaron más que las fórmulas clásicas, aunque en algún caso la vieja fórmula de Bowring las superó.
Su mejor modelo, además, sobrestimó el límite en seis de ocho casos. Los autores lo ven como un rasgo «no deseado» para el margen de seguridad de una central. Ese estudio no analiza el modelo de Indaana, pero sí muestra la prueba que aún le falta.
Ninguna central ha probado el modelo
Ni la ficha ni la nota del Instituto Davidson mencionan un artículo en una revista científica con revisión de expertos. Todo lo que se conoce del modelo sale de esos dos textos.
Ninguna de las dos fuentes cifra un ahorro, una bajada del precio de la luz o menos emisiones de CO2. Tampoco explican dónde se equivoca más el modelo. Y no aclaran si tiende a poner el límite por encima de su valor real, el sesgo que el equipo de arXiv veía con recelo.
El propio autor reconoce que ningún modelo logrará por sí solo todos esos objetivos. La beca premia la herramienta; falta ver si resiste los haces de barras y la revisión de otros ingenieros.
Foto: Davidson Institute
