AI overtager kontrollen over fusionssystemer på millisekunder

Fusionsforskere forsøger at kontrollere stof ved temperaturer, der er varmere end solens kerne. Denne udfordring efterlader næsten ingen plads til forsinkede beslutninger. En plasmainstabilitet kan udvikle sig på millisekunder, mens en detaljeret fysiksimulering kan kræve dage eller måneder at fuldføre. Menneskelige operatører kan sætte målene, men de kan ikke manuelt reagere hurtigt nok på hver ændring i et fusionsforsøg.

En ny undersøgelse¹ fra forskere ved Princeton University og Princeton Plasma Physics Laboratory beskriver et praktisk svar på dette kontrolproblem. Teamet udviklede PACMAN, en forkortelse for Prediction And Control using MAchiNe learning, og implementerede det på DIII-D‑tokamak’en i Californien. I stedet for at udføre én snæver AI‑opgave, leverer PACMAN en fælles ramme, hvorigennem forskellige modeller kan læse diagnostiske data, foretage forudsigelser, koordinere controllere og sende kommandoer til fysisk udstyr.

Fusionsforskning har allerede kraftfulde maskinlæringsmodeller. Det sværere problem er at omdanne dem til pålidelige realtidskomponenter uden at skulle genopbygge kontrol‑pipeline for hvert eksperiment. PACMAN adresserer dette manglende lag.

Hvorfor fusion kræver realtids‑AI‑kontrol

En tokamak indeholder elektrisk ladet plasma ved hjælp af magnetfelter. Opretholdelse af brugbare forhold kræver konstante justeringer af varmesystemer, magnetspoler, gasinjektion og andet udstyr. Små forstyrrelser kan vokse til instabiliteter, der reducerer ydeevnen eller afslutter plasma‑udladningen fuldstændigt.

Traditionelle controllere forbliver effektive, når ingeniører kan beskrive den ønskede respons på forhånd. Avancerede plasma‑regimer involverer dog ikke‑lineære interaktioner, ufuldstændige målinger og forhold, der ændrer sig for hurtigt til udtømmende beregninger. Maskinlæring kan tilnærme denne adfærd og levere et svar inden for den tilgængelige tid.

Den bredere betydning af denne tilgang er allerede blevet synlig. Tidligere forskning viste, at AI kan forudsige og forhindre fusionsinstabiliteter før konventionelle systemer ville reagere. PACMAN udvider konceptet fra en individuel forudsigelses‑ og kontrol‑demonstration til en arkitektur, der kan understøtte flere modeller, controllere og mål.

Ifølge den tilhørende PPPL‑meddelelse kører den komplette ramme typisk på omkring 20 millisekunder. I et eksperiment forudsagde en maskinlæringsmodel en tearing‑mode‑instabilitet ca. 200 millisekunder på forhånd. Dette interval kan synes kort, men det giver en automatiseret controller nok tid til at omdirigere opvarmning og ændre plasma‑forhold, før instabiliteten er etableret.

Hvordan PACMAN‑fusion‑rammen fungerer

PACMAN organiserer realtidskontrol i fire på hinanden følgende blokke. Input‑blokken indsamler diagnostiske målinger og kontrollerer deres gyldighed. Model‑blokken tillader maskinlæring, konventionelle eller fysikbaserede modeller at fortolke disse input. Controller‑blokken omsætter forudsigelser til ønskede handlinger. Endelig løser output‑blokken konkurrerende anmodninger, anvender hardware‑begrænsninger og sender godkendte kommandoer til tokamak’en.

Systemet kan derfor adskille intelligens fra autoritet. En AI‑model kan anbefale en handling, men dens output omgår ikke den omgivende kontrolarkitektur. Kommandoer kontrolleres stadig i forhold til aktuator‑grænser, og forskerne definerer målene og konfigurationen for hvert eksperiment.

Rammen inkluderer flere praktiske sikkerhedsforanstaltninger:

• Input‑validering identificerer manglende eller ugyldige diagnostiske data.
• Lavpasfiltrering kan forhindre reaktioner på isolerede dårlige målinger.
• Konflikthåndtering arbitrerer mellem konkurrerende aktuator‑anmodninger.
• Output‑grænser forhindrer kommandoer i at overskride hardware‑begrænsninger.

Dette design giver en nyttig lektie for sikkerhedskritisk AI: pålidelighed behøver ikke at afhænge af en fejlfri model. Det omgivende system kan antage, at modeller vil støde på dårlige data eller producere upassende output, og derefter begrænse deres indflydelse på fysisk udstyr.

Fem eksperimenter viser rammeværkets fleksibilitet

Forskerne anvendte PACMAN i fem eksperimentelle anvendelser på DIII-D. Disse var ikke fem variationer af det samme neurale netværk. De omfattede forstærkningslæring, overlevelsesmodeller, reservoir‑computing og model‑predictive control, kombineret med forskellige diagnostikker og aktuatorer.

Forstærknings‑læringscontrolleren styrede varmeinput for at ramme plasma‑tryk og interne transport‑barrierer. Tearing‑mode‑controlleren omdirigerede elektron‑cyklotron‑opvarmning, før en instabilitet opstod. En anden model forudsagde pludselige kant‑lokaliserede begivenheder uden direkte at kontrollere en aktuator, hvilket viser, at PACMAN også kan levere en ekstern controller.

Alfvén‑eigenmode‑applikationen klassificerede bølger forbundet med energirige partikler og justerede neutral‑beam‑effekten som svar. Det mest beregningsintensive eksempel komprimerede plasma‑profiler til en enklere latent repræsentation og brugte model‑predictive control til at justere densitet og rotation mod forsker‑definerede mål.

Sammen viser disse eksperimenter, hvorfor en fælles ramme er værdifuld. Hvert mål kræver forskellige data, timing og hardware, men hvert team bør ikke skulle genskabe diagnostik‑håndtering, sikkerhedstjek og aktuator‑integration.

Det reelle gennembrud er hurtigere fusionsudvikling

PACMAN løser ikke de videnskabelige og økonomiske barrierer, som fusionsenergi står over for. DIII-D er en forskningsfacilitet, ikke en kommerciel generator, og eksperimenterne demonstrerede ikke nettoelektricitet. Rammen kan heller ikke kontrollere fænomener, der udvikler sig hurtigere end dens millisekund‑skala vindue. Den nuværende implementering kører modeller sekventielt, selvom arkitekturen kan understøtte fremtidig parallel udførelse.

Dens kortsigtede værdi ligger i udviklingshastigheden. PPPL rapporterer, at opbygning af rammen og installation af den første model tog måneder, mens tilføjelsen af den anden model kun krævede dage. Når den fælles infrastruktur håndterer tilbagevendende integrationsproblemer, kan forskerne bruge mere tid på at forbedre plasma‑modeller og mindre tid på at genopbygge ‘rørledninger’ omkring dem.

Dette kan skabe en kumulativ effekt. Hurtigere udrulning producerer mere eksperimentelt data, bedre modeller og stadig mere ambitiøse driftsregimer. Resultatet er en strammere læringssløjfe mellem simulering, maskinlæring og fysiske eksperimenter.

Denne sløjfe hjælper med at forklare den voksende forbindelse mellem AI og fusionsenergi. AI kan øge el‑efterspørgslen gennem datacentre, men den bliver også et ingeniørværktøj til at udvikle nye energisystemer. I fusion er dens værdi ikke begrænset til at opdage materialer eller analysere resultater efter et eksperiment. Den kan deltage direkte i styringen af maskinen.

Fra eksperimentel software til reaktor‑infrastruktur

Det næste skridt vil være at afgøre, om PACMAN’s designprincipper kan overføres til andre maskiner. Tokamaks varierer i deres geometri, diagnostik, aktuatorer og kontrolsystemer. En genanvendelig konceptuel arkitektur gør ikke automatisk softwaren portabel på tværs af hver facilitet.

Selvom dette er tilfældet, identificerer rammen elementer, der sandsynligvis vil være vigtige i fremtidige reaktorer: standardiserede input, udskiftelige modeller, eksplicitte controller‑grænser, aktuator‑arbitration og sikkerhedshåndhævelse uden for AI‑modellen. Kommercielle systemer vil også kræve redundans, cybersikkerhed og forudsigelige svar, når udstyr fejler.

Forskerne planlægger at introducere multitrådning og undersøge GPU’er eller felt‑programmerbare gate‑arrays for hurtigere inferens. Det kritiske mål vil ikke kun være rå model‑hastighed. End‑to‑end‑latens, inklusive data‑indsamling, validering, beslutninger og aktuation, bestemmer, om en controller kan gribe ind i tide.

Investering i AI‑drevet fusion gennem Alphabet

For investorer, der søger eksponering på de offentlige markeder for samspillet mellem AI og fusionsforskning, tilbyder Alphabet Inc (GOOG ) en relevant, om end indirekte, mulighed. Google har samarbejdet med den private fusionsudvikler TAE Technologies i mere end et årti og anvendt maskinlæring til plasma‑rekonstruktion, optimering og reaktordesign. Google deltog også i TAE’s finansieringsrunde i 2025.

Googles bidrag går ud over kapital. Dets forskere har arbejdet sammen med fusionsingeniører om at fortolke plasmaadfærd og reducere maskinkompleksitet. I 2025 sagde Google, at fælles plasma‑rekonstruktionsarbejde hjalp TAE med at forenkle og genopbygge deres fusionsmaskine. Alphabet har også indvilliget i at købe strøm fra Commonwealth Fusion Systems, hvis den planlagte facilitet når kommerciel drift.

Dette gør ikke Alphabet til en ren fusionsspiller. Fusion udgør i øjeblikket en lille og spekulativ del af et selskab, der domineres af reklame, cloud‑computing og digitale tjenester. TAE bruger også en field‑reversed konfiguration i stedet for den tokamak‑arkitektur, der anvendes på DIII-D. Alligevel viser Googles AI‑samarbejde med TAE Technologies, at de bidrager med tekniske kapaciteter til sektoren i stedet for blot at vente på at blive en fremtidig el‑kunde.

AI bliver en del af fusionsmaskinen

PACMAN flytter diskussionen ud over, om én AI‑model kan forudsige en instabilitet. Det mere væsentlige spørgsmål er, om mange forudsigelses‑ og kontrolsystemer kan operere sammen, interagere med hardware og forblive begrænset af håndhævelige sikkerhedsregler.

DIII-D‑eksperimenterne tyder på, at dette integrationsproblem er løseligt. PACMAN understøttede fem forskellige anvendelser, traf beslutninger på millisekund‑tidsskalaer og gav en vej til at tilføje nye modeller uden at redesigne hele kontrolsystemet. Det forbliver eksperimentel infrastruktur, men infrastruktur er netop det, der omsætter isolerede gennembrud til gentagelig fremgang.

Kommerciel fusion kræver stadig fremskridt inden for plasma‑ydelse, materialer, brændstof‑cyklusser, vedligeholdelse og anlæggets økonomi. Realtids‑AI‑kontrol vil ikke erstatte disse resultater. Den kan dog blive det lag, der gør det muligt for dem at arbejde sammen i en reaktor.

Referencer:

^{1 Rothstein, A., Farre-Kaga, H. J., Butt, J., Shousha, R., Erickson, K., Wakatsuki, T., Steiner, P., Kim, S. K., Jalalvand, A., & Kolemen, E. (2026). Muliggørelse af integreret AI‑kontrol på DIII-D: Et kontrolsystemdesign med topmoderne eksperimenter. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}