Une équipe issue d’un partenariat public-privé entre Commonwealth Fusion Systems (CFS), le Laboratoire national de Princeton (PPPL) et le Laboratoire national d’Oak Ridge a mis au point une nouvelle approche d’intelligence artificielle, nommée HEAT-ML, capable de repérer en quelques millisecondes des zones de sécurité — appelées « ombres magnétiques » — à l’intérieur d’un réacteur de fusion. Ces zones, protégées des rayonnements intenses du plasma, sont essentielles pour préserver les composants internes du tokamak, dont les températures dépassent celles du cœur du Soleil. L’outil, développé pour simuler une partie spécifique du tokamak SPARC en cours de construction par CFS, permet de prévoir avec une grande rapidité où la chaleur du plasma va frapper, ou au contraire être bloquée par des structures internes. Initialement, cette tâche reposait sur le logiciel open-source HEAT, conçu par Tom Looby lors de sa thèse sous la direction de Matt Reinke, aujourd’hui responsable de l’équipe de diagnostics de SPARC. HEAT calculait des « masques d’ombre » en traçant les lignes du champ magnétique depuis les surfaces des composants pour détecter les intersections avec d’autres pièces. Cependant, cette méthode était extrêmement lente, nécessitant jusqu’à 30 minutes par simulation, surtout pour des géométries complexes. HEAT-ML, quant à lui, utilise un réseau de neurones profonds entraîné sur environ 1 000 simulations préalables réalisées avec HEAT. Grâce à cette formation, l’IA apprend à prédire les zones ombreuses avec une précision comparable, mais en réduisant le temps de calcul à quelques millisecondes. Cette avancée est cruciale pour le développement de futurs réacteurs de fusion. En accélérant les analyses thermiques, HEAT-ML permet non seulement d’optimiser la conception des composants exposés au plasma, mais aussi de guider en temps réel les opérations du tokamak. En détectant rapidement les zones à risque, il devient possible d’ajuster dynamiquement le plasma pour éviter les surchauffes, réduisant ainsi le risque d’arrêt imprévu du réacteur — une menace majeure pour la fiabilité et la durabilité des expériences de fusion. Bien que HEAT-ML soit actuellement conçu spécifiquement pour le système d’évacuation thermique de SPARC, l’équipe vise à généraliser l’approche à d’autres géométries et à l’ensemble des composants en contact avec le plasma. Cette évolution pourrait permettre de concevoir des réacteurs de fusion plus robustes, plus efficaces et plus sûrs. Le projet a été financé par le Département de l’Énergie des États-Unis (DOE) sous les contrats DE-AC02-09CH11466 et DE-AC05-00OR22725, et bénéficie également du soutien de CFS. Selon Michael Churchill, responsable de l’ingénierie numérique au PPPL, « cette recherche démontre qu’on peut transformer un code existant en un surrogat d’IA pour accélérer considérablement les calculs, ouvrant la voie à une meilleure maîtrise des scénarios opératoires et au contrôle actif des réacteurs de fusion ». Doménica Corona Rivera, physicienne de recherche au PPPL et auteure principale de l’étude, souligne que « la capacité à anticiper les points de contact thermique est fondamentale pour éviter les dommages matériels et assurer la continuité des expériences ». Ces progrès illustrent comment l’intelligence artificielle, combinée à la physique des plasmas, pourrait accélérer la transition vers une énergie de fusion viable et durable.