L’IA Prédit L’emballement Du Plasma ; Le MIT Et D’autres Utilisent L’apprentissage Automatique Pour Réaliser Des Prédictions De Haute Précision De La Dynamique Du Plasma Avec De Petits échantillons.

Si vous évoquez directement le « Tokamak », vous risquez de vous sentir mal à l'aise. Si vous le présentez ainsi :Le dispositif Tokamak est l’une des technologies importantes menant à la source d’énergie la plus idéale : l’énergie de fusion nucléaire.Peut-être aurez-vous un moment de révélation : « Alors, c'est vous. » Cependant, l'« énergie nucléaire » ici ne fait pas référence à la fission nucléaire dans les centrales nucléaires, mais plutôt à la fusion nucléaire, qui est beaucoup plus économe en énergie, propre, sûre et ne produit pratiquement aucun déchet radioactif.

La fusion nucléaire simule le processus de production d’énergie à l’intérieur du soleil, libérant de l’énergie en combinant des noyaux légers (tels que le deutérium et le tritium) à des températures extrêmement élevées.Pour ce faire, il faut « créer un petit soleil » sur la terre.Le dispositif tokamak maintient la stabilité de la réaction de fusion en contenant du plasma à une température supérieure à celle du noyau solaire dans une chambre à vide en forme d'anneau et en le confinant avec un champ magnétique puissant.

Cependant, les idéaux sont pleins d’espoir, mais la réalité est extrêmement « sensible ».Pour un tokamak, la décroissance du courant en fin de décharge est une phase extrêmement dangereuse. Le plasma est soumis à des vitesses pouvant atteindre 100 kilomètres par seconde et à des températures dépassant 100 millions de degrés Celsius. Durant cette période, le plasma subit d'intenses variations transitoires, et la moindre erreur de contrôle peut déclencher des perturbations destructrices, potentiellement dommageables pour le dispositif.

Dans ce contexte, une équipe de recherche dirigée par le MIT a utilisé l’apprentissage automatique scientifique (SciML) pour intégrer intelligemment les lois physiques aux données expérimentales.Un modèle d'espace d'état neuronal (NSSM) a été développé pour prédire la dynamique du plasma pendant le processus de décélération de la variable de configuration du tokamak (TCV) en utilisant une petite quantité de données.En plus des éventuelles situations instables, cela ajoute une force supplémentaire au contrôle sûr de l'arrêt du « soleil artificiel ».

La recherche connexe, intitulée « Apprentissage de la dynamique du plasma et des trajectoires de descente robustes avec des expériences de prédiction en premier au TCV », a été publiée dans Nature Communications.

Points saillants de la recherche :

* Un modèle d'espace d'état neuronal (NSSM) combinant des contraintes physiques et des méthodes basées sur les données a été proposé pour obtenir une prédiction dynamique de haute précision et une simulation parallèle rapide pendant la phase de décélération de la décharge du tokamak ;
* Vérification complète de l'extrapolation « prédiction d'abord » dans les expériences TCV, et la méthode en boucle fermée « prédiction d'abord, expérience ensuite » réalise une véritable vérification de contrôle basée sur les données.

Adresse du document :
https://www.nature.com/articles/s41467-025-63917-x
Suivez le compte officiel et répondez « Tokamak » pour obtenir le PDF complet

Autres articles sur les frontières de l'IA :
https://hyper.ai/papers

Ensemble de données : Apprentissage efficace avec de petits échantillons

L'ensemble de données utilisé par l'équipe de recherche pour entraîner le modèle comprend 442 enregistrements récents de tests de décharge d'un appareil TCV. 311 de ces enregistrements ont été utilisés pour l'entraînement (dont seulement 5 à haute performance) et 131 pour la validation. Trouvez-vous que cet ensemble de données est « mini » ?

Avec seulement ces données à plus petite échelle, le modèle a appris à prédire la dynamique complexe du plasma et a pu simuler des dizaines de milliers de trajectoires de descente en parallèle par seconde sur un seul GPU A100, démontrant ainsi ses puissantes capacités d'apprentissage et de prédiction.

Le modèle d'espace d'état neuronal : la physique comme squelette et les nerfs comme âme

L'objectif principal de la recherche est de construire un modèle capable de prédire avec précision la dynamique complexe du plasma pendant la phase d'arrêt. À cette fin, l'équipe de recherche a conçu un « modèle d'espace d'état neuronal » intégrant physique et données.

Le squelette de ce modèle est l'équation physique azodimensionnelle, qui décrit principalement le bilan énergétique et le bilan particulaire du plasma. Cependant, certains paramètres clés (tels que le temps de confinement, la perte de rayonnement, etc.) sont difficiles à modéliser avec précision selon les principes fondamentaux.C'est pourquoi l'équipe de recherche a intégré des « réseaux neuronaux » dans ces parties centrales.Cela permet au modèle d'apprendre ces effets physiques difficiles à simuler à partir de données expérimentales, comme une voiture autonome avec un châssis de véhicule standard, mais dont « l'expérience de conduite » est entraînée à l'aide de données routières réelles.

Plus précisément, le modèle prend en compte une série d'« actions » contrôlables, telles que la vitesse de variation du courant plasma et la puissance d'injection du faisceau neutre. En résolvant ce système d'équations différentielles hybride composé d'« équations physiques et de réseaux neuronaux », le modèle peut prédire l'avenir étape par étape.

L'apprentissage du modèle d'espace d'état neuronal (NSSM) suit un processus efficace et automatisé. Le modèle est constitué d'une fonction dynamique. f_θ  et la fonction d'observation O_θ  Nous définissons le modèle, effectuons des simulations directes pour générer des prédictions, puis comparons ces prédictions aux observations expérimentales pour calculer la perte. Nous optimisons ensuite les paramètres du modèle à l'aide de la méthode adjointe de différentiation automatique de Diffrax et JAX.

Des séances expérimentales intéressantes et inspirantes

Parmi toutes les expériences, les deux résultats les plus inspirants proviennent de la vérification de la robustesse de la « sensibilité aux erreurs de contrôle » et du test d’extrapolation « prévisionnelle ».Le premier révèle un point vulnérable dans la phase de ralentissement : lorsqu'il y a une légère déviation dans l'écart du côté du champ élevé, le taux de croissance de l'instabilité verticale peut être amplifié par des ordres de grandeur, déclenchant ainsi un événement de déplacement vertical (VDE).

Dans un numéro #81751  Lors de la décharge d'un plasma, ce phénomène entraîne une déviation soudaine et l'arrêt du plasma. Sur cette base, l'équipe de recherche a introduit la distribution d'incertitude de l'erreur d'écart dans l'environnement d'apprentissage par renforcement (RL), de sorte que la trajectoire s'adapte activement à l'incertitude pendant l'apprentissage.Les résultats montrent que la trajectoire réoptimisée (#82875) reste stable dans des conditions d’erreur similaires.Cette amélioration démontre la capacité du modèle à apprendre la robustesse à partir d’erreurs réelles et prouve également que l’optimisation basée sur les données peut réellement améliorer la tolérance aux pannes du fonctionnement de l’appareil sous des contraintes de sécurité.

Une autre expérience d'extrapolation, appelée « prédire d'abord »,Cela valide le potentiel de généralisation du modèle dans des plages de paramètres inconnues. Les chercheurs ont augmenté la limite supérieure de courant de 140 kA à 170 kA et se sont entièrement appuyés sur les prédictions du modèle d'espace d'état neuronal (NSSM) pour générer les trajectoires avant l'expérience. Les résultats expérimentaux ont montré que les prédictions du modèle concernant les grandeurs physiques clés étaient parfaitement cohérentes avec les résultats mesurés, et la décharge s'est terminée avec succès sans rupture.

Le voyage pour faire de « l'énergie optimale » une réalité

L'équipe de recherche collaborerait avec Commonwealth Fusion Systems (CFS) afin d'explorer comment utiliser de nouveaux modèles prédictifs et des outils similaires pour mieux prédire le comportement du plasma, éviter les perturbations des machines et garantir une production d'énergie de fusion sûre. Allen Wang, membre de l'équipe, a déclaré : « Nous sommes déterminés à relever les défis scientifiques pour parvenir à une application courante de la fusion nucléaire. Bien que ce ne soit que le début d'un long cheminement, je suis convaincu que nous avons réalisé des progrès significatifs. » De plus, de nombreuses nouvelles recherches émergent dans ce domaine interdisciplinaire.

Le Laboratoire de physique des plasmas de Princeton (PPPL) aux États-Unis, en collaboration avec plusieurs universités, a développé le modèle Diag2Diag. En apprenant les corrélations entre les signaux de diagnostic provenant de sources multiples, ce modèle peut reconstituer virtuellement les paramètres clés du plasma lorsque certains capteurs sont défaillants ou que les observations sont limitées, améliorant ainsi considérablement les capacités de surveillance et d'alerte précoce des dispositifs de fusion. La recherche associée, intitulée « Diag2Diag : Diagnostics virtuels basés sur l'IA pour le plasma de fusion », a été publiée sur la plateforme arXiv.
Adresse du document :
https://arxiv.org/abs/2405.05908v2

Par ailleurs, une étude intitulée « FusionMAE : Modèle pré-entraîné à grande échelle pour optimiser et simplifier le diagnostic et le contrôle du plasma de fusion », publiée sur la plateforme arXiv, a proposé FusionMAE, un modèle pré-entraîné auto-supervisé à grande échelle pour les systèmes de contrôle de la fusion. Ce modèle intègre plus de 80 signaux de diagnostic dans un espace d'intégration unifié. Grâce à une architecture d'auto-encodeur masqué (MAE), il apprend les corrélations sous-jacentes entre les différents canaux, permettant ainsi un alignement efficace des flux de données de diagnostic et de contrôle. Cette approche ouvre la voie à l'intégration de modèles d'IA à grande échelle dans le domaine de l'énergie de fusion.
Adresse du document :
https://arxiv.org/abs/2509.12945

Il ne fait aucun doute que l’intelligence artificielle devient une force indispensable dans le processus visant à faire de « la source d’énergie la plus idéale – l’énergie de fusion nucléaire » une réalité.

Références :
1.https://news.mit.edu/2025/new-prediction-model-could-improve-reliability-fusion-power-plants-1007