AIがプラズマの暴走を予測。MITなどが機械学習を活用し、少量のサンプルでプラズマのダイナミクスを高精度に予測。

「トカマク」と直接言うと、馴染みがないと感じるかもしれません。このように紹介してみましょう。トカマク装置は、最も理想的なエネルギー源である核融合エネルギーにつながる重要な技術の 1 つです。もしかしたら、あなたは「そうか、君か」と気づく瞬間があるかもしれません。しかし、ここで言う「原子力エネルギー」とは、原子力発電所における核分裂ではなく、はるかにエネルギー効率が高く、クリーンで安全で、放射性廃棄物をほとんど出さない核融合のことです。

核融合は太陽内部のエネルギー生成プロセスをシミュレートし、軽い原子核（重水素や三重水素など）を極めて高温で結合させることでエネルギーを放出します。そのためには、地球上に「小さな太陽」を創る必要があります。トカマク装置は、太陽の中心核よりも高い温度のプラズマをリング状の真空容器に封じ込め、強力な磁場で閉じ込めることで核融合反応の安定性を維持します。

しかし、理想は希望に満ちているが、現実は極めて「敏感」である。トカマクにとって、放電終了時の電流減少は非常に危険な段階です。最大秒速100キロメートルのプラズマ流と1億度を超える温度に直面することになります。この間、プラズマは激しい過渡変化を経験し、わずかな制御エラーでも破壊的な擾乱を引き起こし、装置を損傷する可能性があります。

このような状況において、MIT が率いる研究チームは、科学的機械学習 (SciML) を使用して、物理法則と実験データをインテリジェントに統合しました。少量のデータを使用して、トカマク構成変数 (TCV) ランプダウン プロセス中のプラズマ ダイナミクスを予測するために、ニューラル状態空間モデル (NSSM) が開発されました。不安定な状況が発生する可能性もあるため、「人工太陽」の停止を安全に制御する上で新たな力となります。

「TCV での予測優先実験によるプラズマダイナミクスと堅牢なランプダウン軌道の学習」と題された関連研究が Nature Communications に掲載されました。

研究のハイライト:

* トカマクの放電ランプダウンフェーズ中に高精度の動的予測と高速並列シミュレーションを実現するために、物理的制約とデータ駆動型手法を組み合わせたニューラル状態空間モデル (NSSM) が提案されました。
* TCV 実験における「まず予測」の外挿検証を完了し、「まず予測、後で実験」という閉ループ方式により、真のデータ駆動型制御検証を実現します。

用紙のアドレス:
https://www.nature.com/articles/s41467-025-63917-x
公式アカウントをフォローし、「Tokamak」と返信すると、完全なPDFを入手できます。

AIフロンティアに関するその他の論文:
https://hyper.ai/papers

データセット: 小規模サンプルによる効率的な学習

研究チームがモデルの学習に使用したデータセットは、TCVデバイスからの最近の放電試験記録442件で構成されています。これらの記録のうち311件は学習に使用され（そのうち高性能範囲にあったのは5件のみ）、131件は検証に使用されました。このデータセットがどれほど「ミニ」であるかを感じますか？

この小規模データだけで、モデルは複雑なプラズマのダイナミクスを予測することを学習し、単一の A100 GPU で 1 秒あたり数万もの降下軌道を並列にシミュレートすることができ、その強力な学習および予測能力を実証しました。

神経状態空間モデル：物理学は骨格、神経は魂

本研究の核心は、シャットダウン段階におけるプラズマの複雑なダイナミクスを正確に予測できるモデルを構築することです。この目的のために、研究チームは物理学とデータを統合した「ニューラル状態空間モデル」を設計しました。

このモデルの骨格は、主にプラズマのエネルギーバランスと粒子バランスを記述する0次元物理方程式です。しかし、いくつかの重要なパラメータ（閉じ込め時間、放射損失など）は、第一原理を用いて正確にモデル化することが困難です。そこで研究チームは、これらのコア部分に「ニューラルネットワーク」を組み込みました。これにより、モデルは、標準的な車両シャーシを備えた自動運転車のように、シミュレーションが難しい物理的効果を実験データから学習できますが、その「運転体験」は実際の道路データを使用してトレーニングされます。

具体的には、このモデルは、プラズマ電流の変化率や中性粒子ビームの入射電力といった一連の制御可能な「アクション」を入力として受け取ります。この「物理方程式＋ニューラルネットワーク」からなるハイブリッド微分方程式系を解くことで、モデルは段階的に未来を予測することができます。

ニューラル状態空間モデル（NSSM）の学習プロセスは、効率的かつ自動化されたプロセスに従っている。このモデルは、ダイナミクス関数から構成される。 f_θ  観測機能 ○_θ  モデルを定義し、順方向シミュレーションを実行して予測値を生成し、その予測値を実験観測値と比較して損失を計算します。次に、diffraxとJAXの自動微分随伴法を用いてモデルパラメータを最適化します。

興味深く刺激的な実験セッション

すべての実験の中で最も刺激的な 2 つの結果は、「制御エラー感度」の堅牢性検証と「先読み」外挿テストから得られました。前者は減速段階における脆弱な点を明らかにします。高磁場側のギャップにわずかな偏差がある場合、垂直不安定性の成長率が桁違いに増幅され、垂直変位イベント (VDE) が引き起こされる可能性があります。

番号付きの #81751  プラズマ放電において、この現象はプラズマの突然の逸脱と終焉につながる。研究チームはこれに基づき、強化学習（RL）環境にギャップ誤差の不確実性分布を導入し、学習中に軌道が不確実性に能動的に適応できるようにした。結果は、再最適化された軌道（#82875) は、同様のエラー条件下でも安定した状態を維持します。この改善は、実際のエラーから堅牢性を学習するモデルの能力を実証するとともに、データ駆動型の最適化によって安全制約下でのデバイス操作のフォールト トレランスを実際に向上できることも証明しています。

「予測優先」と呼ばれるもう一つの外挿実験では、これは、未知のパラメータ範囲におけるモデルの一般化可能性を検証するものです。研究者らは、電流上限を140kAから170kAに引き上げ、実験前にニューラル状態空間モデル（NSSM）の予測のみに基づいて軌道を生成しました。実験結果は、主要な物理量に関するモデルの予測が測定結果と非常によく一致し、放電は破裂することなく正常に終了したことを示しました。

「最適エネルギー」実現への道のり

研究チームは、コモンウェルス・フュージョン・システムズ（CFS）と共同で、プラズマの挙動をより正確に予測し、装置の混乱を回避し、安全な核融合発電を実現するために、新たな予測モデルや類似ツールをどのように活用するかを研究していると報じられています。チームメンバーのアレン・ワン氏は、「私たちは、核融合の日常的な応用を実現するために、科学的課題を克服することに尽力しています。これは長い道のりの始まりに過ぎませんが、着実な進歩を遂げてきたと確信しています」と述べています。さらに、この学際的な分野では、数多くの新たな研究が生まれています。

米国のプリンストン・プラズマ物理研究所（PPPL）は、複数の大学と共同でDiag2Diagモデルを開発しました。複数のソースからの診断信号間の相関関係を学習することで、このモデルは、一部のセンサーが故障した場合や観測が限られている場合でも、主要なプラズマパラメータを仮想的に再構築することができ、核融合装置の監視および早期警報機能を大幅に向上させます。関連研究「Diag2Diag：AIを活用した核融合プラズマの仮想診断」は、arXivプラットフォームに掲載されました。
用紙のアドレス:
https://arxiv.org/abs/2405.05908v2

さらに、arXivプラットフォームに掲載された「FusionMAE：核融合プラズマの診断と制御を最適化・簡素化するための大規模事前学習モデル」という研究では、核融合制御システム向けの大規模自己教師型事前学習モデルであるFusionMAEが提案されています。このモデルは、80を超える診断信号を統一された埋め込み空間に統合します。マスクオートエンコーダ（MAE）アーキテクチャを用いることで、異なるチャネル間の根本的な相関関係を学習し、診断データストリームと制御データストリームの効率的な整合を実現します。これは、核融合エネルギー分野における大規模AIモデルの統合の先駆的な取り組みです。
用紙のアドレス:
https://arxiv.org/abs/2509.12945

「最も理想的なエネルギー源である核融合エネルギー」の実現に向けて、人工知能が欠かせない力となりつつあることは間違いありません。

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