Une IA pilote le plasma d’un tokamak en 20 millisecondes

Dans un tokamak, le plasma peut changer d’état en quelques millièmes de seconde. Une perturbation minuscule peut grossir assez vite pour dégrader l’expérience avant qu’un opérateur ait le temps de réagir. Une équipe de Princeton University et du Princeton Plasma Physics Laboratory a donc confié une partie de cette surveillance à un ensemble de modèles d’intelligence artificielle reliés directement au système de contrôle.

Le cadre, baptisé PACMAN — pour « Prediction And Control using MAchiNe learning » — a été éprouvé lors de cinq expériences sur le tokamak DIII-D. Il ne s’agit pas d’une simulation isolée : les modèles ont reçu des mesures réelles, formulé des prévisions et transmis des commandes aux équipements pendant le fonctionnement de la machine.

Une boucle complète en environ 20 millisecondes

PACMAN rassemble d’abord les températures, densités et signaux magnétiques produits par les diagnostics du tokamak. Il vérifie ensuite ces données et les distribue aux modèles qui en ont besoin. Ceux-ci estiment l’état du plasma ou son évolution imminente. Des contrôleurs calculent enfin une action possible, par exemple modifier un faisceau de chauffage, l’injection de gaz ou certains réglages magnétiques.

L’ensemble de cette boucle fonctionne typiquement en 20 millisecondes, soit environ cinquante décisions par seconde. La vitesse est essentielle : les simulations physiques les plus détaillées peuvent demander des jours ou des mois de calcul et ne sont donc pas adaptées à une correction pendant une expérience.

Cinq expériences, cinq fonctions différentes

Les chercheurs ont utilisé la même architecture pour intégrer plusieurs modèles et contrôleurs spécialisés. Les essais ont notamment permis :

• de confier le réglage des systèmes de chauffage à un contrôleur entraîné par apprentissage par renforcement ;
• de prévoir des bouffées d’énergie apparaissant au bord du plasma ;
• de détecter et de réduire certaines ondes provoquées par des particules rapides ;
• d’ajuster la densité et la rotation du plasma selon les objectifs fixés par l’équipe ;
• d’anticiper une instabilité dite « mode de déchirement » et d’agir avant qu’elle ne se forme.

Dans ce dernier cas, un modèle a signalé le risque environ 200 millisecondes à l’avance. Ce délai peut paraître infime, mais il laisse dix cycles complets au système pour modifier les conditions du plasma. Un contrôleur classique intervient généralement après le début de l’instabilité, avec une perte de performance plus importante.

L’IA propose, les limites de sécurité décident

L’architecture sépare les modèles, les contrôleurs et la couche qui transmet les commandes au matériel. Si deux composants réclament des actions incompatibles, l’étape de sortie arbitre le conflit. Elle applique également des limites strictes afin qu’une suggestion du modèle ne puisse pas imposer une commande hors de la plage autorisée.

Les objectifs restent définis par les physiciens. Ils choisissent les paramètres, vérifient les résultats et ajustent les contrôleurs entre les expériences. L’intérêt du système réside dans sa capacité à surveiller de nombreux signaux et à répéter rapidement une décision encadrée, pas dans une autonomie sans supervision.

Une infrastructure réutilisable pour la recherche sur la fusion

La conception modulaire permet d’ajouter ou de remplacer un modèle sans reconstruire toute la chaîne de contrôle. Cette propriété pourrait faciliter le transfert du cadre vers d’autres tokamaks, même si chaque installation possède ses propres dimensions, capteurs et actionneurs.

Les résultats ne signifient pas qu’une centrale à fusion commerciale est prête. Ils démontrent cependant qu’un contrôle fondé sur l’apprentissage automatique peut fonctionner sur une installation réelle, dans les délais imposés par la physique du plasma, tout en restant enfermé dans des garde-fous techniques.

Les résultats détaillés ont été publiés dans la revue Nuclear Fusion. Le Princeton Plasma Physics Laboratory présente également les cinq expériences et le rôle des opérateurs humains.