El control de un acelerador de partículas depende de modelos que describan cómo reacciona el haz a cada ajuste de los imanes y cavidades. Hasta ahora esos modelos se construían a mano y se recalibraban de forma periódica, un proceso lento que no siempre acompaña a la deriva del equipo. La noticia presenta gemelos digitales capaces de generarse automáticamente a partir de los datos de operación y de cerrar el bucle de control: el modelo se actualiza solo y el sistema de ajuste actúa sobre la máquina en tiempo real.

La idea de fondo es que el gemelo digital no sea una copia estática del acelerador, sino un modelo que aprende continuamente del comportamiento observado. Al integrar la generación automática del modelo con la capa de control, se elimina la intervención manual en la recalibración y se reduce el desfase entre el modelo y la máquina real. Esto es especialmente relevante en instalaciones donde el haz debe mantenerse estable durante horas de operación y donde pequeñas desviaciones en los campos magnéticos o en la fase de las cavidades degradan el rendimiento.

El enfoque se ha desplegado en un acelerador en operación, donde el gemelo autogenerado ha sido encargado de mantener el ajuste del haz sin supervisión humana directa. El sistema toma lecturas de diagnóstico del haz, reconstruye el modelo del momento y propone correcciones que se aplican a los elementos de control. La validación se hace comparando la respuesta predicha con la medida, de modo que el modelo se corrige a sí mismo cuando deja de describir bien la máquina.

Cerrar el bucle de esta manera abre la puerta a aceleradores que se autorregulan y que aprovechan mejor el tiempo de haz disponible. También plantea preguntas sobre la fiabilidad de los modelos aprendidos en régimen de operación y sobre cómo garantizar que las correcciones automáticas no empujen la máquina fuera de sus márgenes de seguridad. La siguiente fase pasa por extender el despliegue a más tramos del acelerador y por estudiar el comportamiento del sistema en condiciones de operación más exigentes.