KI übernimmt die Kontrolle über Fusionssysteme in Millisekunden

Fusionsforscher versuchen, Materie bei Temperaturen zu kontrollieren, die heißer sind als das Zentrum der Sonne. Diese Herausforderung lässt kaum Spielraum für verzögerte Entscheidungen. Eine Plasmainstabilität kann sich in Millisekunden entwickeln, während eine detaillierte physikalische Simulation Tage oder Monate benötigen kann. Menschliche Bediener können die Ziele festlegen, aber sie können nicht manuell schnell genug auf jede Veränderung in einem Fusionsversuch reagieren.

Eine neue Studie¹ von Forschern der Princeton University und des Princeton Plasma Physics Laboratory beschreibt eine praktische Antwort auf dieses Steuerungsproblem. Das Team entwickelte PACMAN, kurz für Prediction And Control using MAchiNe learning, und setzte es auf dem DIII‑D‑Tokamak in Kalifornien ein. Anstatt nur eine enge KI‑Aufgabe zu erledigen, bietet PACMAN ein gemeinsames Framework, über das verschiedene Modelle Diagnosedaten auslesen, Vorhersagen treffen, Controller koordinieren und Befehle an physische Geräte senden können.

Die Fusionsforschung verfügt bereits über leistungsfähige Modelle des maschinellen Lernens. Das größere Problem besteht darin, sie in zuverlässige Echtzeit‑Komponenten zu verwandeln, ohne für jedes Experiment die Steuerungspipeline neu aufzubauen. PACMAN adressiert diese fehlende Schicht.

Warum Fusion Echtzeit‑KI‑Steuerung erfordert

Ein Tokamak hält elektrisch geladenes Plasma mit magnetischen Feldern zurück. Die Aufrechterhaltung nützlicher Bedingungen erfordert ständige Anpassungen von Heizungssystemen, Magnetspulen, Gasinjektionen und anderer Ausrüstung. Kleine Störungen können zu Instabilitäten heranwachsen, die die Leistung verringern oder die Plasmadischarge vollständig beenden.

Traditionelle Regler bleiben wirksam, wenn Ingenieure die gewünschte Reaktion im Voraus beschreiben können. Fortgeschrittene Plasmaregime hingegen beinhalten nichtlineare Wechselwirkungen, unvollständige Messungen und Bedingungen, die sich zu schnell ändern, um umfassende Berechnungen durchzuführen. Maschinelles Lernen kann dieses Verhalten approximieren und innerhalb der verfügbaren Zeit eine Antwort liefern.

Die breitere Bedeutung dieses Ansatzes ist bereits sichtbar geworden. Frühere Forschungen zeigten, dass KI Instabilitäten in der Fusion vorhersagen und verhindern kann, bevor konventionelle Systeme reagieren würden. PACMAN erweitert das Konzept von einer einzelnen Vorhersage‑ und Steuerungsdemonstration zu einer Architektur, die mehrere Modelle, Controller und Zielsetzungen unterstützen kann.

Laut der begleitenden PPPL‑Ankündigung läuft das komplette Framework typischerweise in etwa 20 Millisekunden. In einem Experiment sagte ein Modell des maschinellen Lernens eine Tear‑Mode‑Instabilität etwa 200 Millisekunden im Voraus voraus. Dieses Intervall mag kurz erscheinen, aber es gibt einem automatisierten Regler genügend Zeit, die Heizung umzuleiten und die Plasmazustände zu ändern, bevor die Instabilität sich etabliert.

Wie das PACMAN‑Fusionsframework funktioniert

PACMAN organisiert die Echtzeit‑Steuerung in vier aufeinanderfolgende Blöcke. Der Eingangsblock sammelt Diagnosedaten und prüft deren Gültigkeit. Der Modellblock ermöglicht es maschinellen Lern‑, konventionellen oder physikbasierten Modellen, diese Eingaben zu interpretieren. Der Steuerungsblock übersetzt Vorhersagen in gewünschte Aktionen. Schließlich löst der Ausgangsblock konkurrierende Anfragen, wendet Hardware‑Beschränkungen an und übergibt genehmigte Befehle an den Tokamak.

Das System kann daher Intelligenz von Autorität trennen. Ein KI‑Modell kann eine Handlung empfehlen, aber seine Ausgabe umgeht nicht die umgebende Steuerungsarchitektur. Befehle werden weiterhin gegen Aktuatortoleranzen geprüft, und die Forscher definieren die Ziele und Konfiguration für jedes Experiment.

Das Framework beinhaltet mehrere praktische Schutzmaßnahmen:

• Die Eingabevalidierung identifiziert fehlende oder ungültige Diagnosedaten.
• Low‑Pass‑Filterung kann Reaktionen auf isolierte fehlerhafte Messungen verhindern.
• Konfliktbehandlung vermittelt zwischen konkurrierenden Aktuatoranforderungen.
• Ausgangsgrenzen verhindern, dass Befehle die Hardware‑Beschränkungen überschreiten.

Dieses Design bietet eine nützliche Lehre für sicherheitskritische KI: Zuverlässigkeit muss nicht von einem unfehlbaren Modell abhängen. Das umgebende System kann davon ausgehen, dass Modelle auf fehlerhafte Daten stoßen oder ungeeignete Ausgaben erzeugen, und dann deren Einfluss auf physische Geräte einschränken.

Fünf Experimente zeigen die Flexibilität des Frameworks

Die Forscher nutzten PACMAN in fünf experimentellen Anwendungen auf DIII‑D. Dabei handelte es sich nicht um fünf Varianten desselben neuronalen Netzes. Sie umfassten Reinforcement Learning, Survival‑Modelle, Reservoir‑Computing und modellprädiktive Regelung, kombiniert mit unterschiedlichen Diagnosen und Aktuatoren.

Der Reinforcement‑Learning‑Controller steuerte die Heizeingaben, um den Plasmadruck und interne Transportbarrieren zu erreichen. Der Tearing‑Mode‑Controller lenkte die Elektron‑Cyclotron‑Heizung um, bevor eine Instabilität auftrat. Ein weiteres Modell sagte plötzliche randlokalisierte Ereignisse vorher, ohne direkt einen Aktuator zu steuern, und zeigte, dass PACMAN auch einen externen Regler bereitstellen kann.

Die Alfvén‑Eigenmode‑Anwendung klassifizierte Wellen, die mit energiereichen Teilchen verbunden sind, und passte die Neutralstrahl‑Leistung entsprechend an. Das rechenintensivste Beispiel komprimierte Plasmaprofile zu einer einfacheren latenten Darstellung und nutzte modellprädiktive Regelung, um Dichte und Rotation zu den von Forschern definierten Zielwerten anzupassen.

Zusammen zeigen diese Experimente, warum ein gemeinsames Framework wertvoll ist. Jede Zielsetzung erfordert unterschiedliche Daten, Zeitpläne und Hardware, aber jedes Team sollte nicht die Diagnoseverarbeitung, Sicherheitsprüfungen und Aktuatorintegration neu erstellen müssen.

Der eigentliche Durchbruch ist die schnellere Fusionsentwicklung

PACMAN löst nicht die wissenschaftlichen und wirtschaftlichen Hürden, denen die Fusionsenergie gegenübersteht. DIII‑D ist eine Forschungseinrichtung, kein kommerzieller Generator, und die Experimente zeigten keinen Nettostrom. Das Framework kann zudem keine Phänomene steuern, die schneller als sein Millisekunden‑Fenster ablaufen. Die aktuelle Implementierung führt Modelle seriell aus, obwohl die Architektur zukünftige parallele Ausführungen unterstützen kann.

Sein kurzfristiger Wert liegt stattdessen in der Entwicklungsgeschwindigkeit. PPPL berichtet, dass der Aufbau des Frameworks und die Installation des ersten Modells Monate dauerten, während das Hinzufügen des zweiten Modells nur Tage erforderte. Sobald die gemeinsame Infrastruktur wiederkehrende Integrationsprobleme bewältigt, können Forscher mehr Zeit in die Verbesserung von Plasmamodellen investieren und weniger Zeit damit verbringen, die zugehörige Infrastruktur neu zu bauen.

Dies könnte einen kumulativen Effekt erzeugen. Schnellere Bereitstellung erzeugt mehr experimentelle Daten, bessere Modelle und immer ambitioniertere Betriebsregime. Das Ergebnis ist ein engerer Lernkreislauf zwischen Simulation, maschinellem Lernen und physischen Experimenten.

Dieser Kreislauf hilft, die wachsende Verbindung zwischen KI und Fusionsenergie zu erklären. KI kann die Stromnachfrage durch Rechenzentren erhöhen, wird aber auch zu einem Engineering‑Werkzeug für die Entwicklung neuer Energiesysteme. In der Fusion ist ihr Wert nicht auf die Entdeckung von Materialien oder die Analyse von Ergebnissen nach einem Experiment beschränkt. Sie kann direkt an der Steuerung der Anlage teilnehmen.

Von experimenteller Software zur Reaktor‑Infrastruktur

Der nächste Schritt wird sein, zu bestimmen, ob die Designprinzipien von PACMAN auf andere Anlagen übertragbar sind. Tokamaks unterscheiden sich in ihrer Geometrie, Diagnostik, Aktuatoren und Steuerungssystemen. Eine wiederverwendbare konzeptionelle Architektur macht die Software nicht automatisch portabel für jede Einrichtung.

Dennoch identifiziert das Framework Elemente, die in zukünftigen Reaktoren wahrscheinlich wichtig sein werden: standardisierte Eingaben, austauschbare Modelle, explizite Controller‑Grenzen, Aktuator‑Arbitration und Sicherheitsdurchsetzung außerhalb des KI‑Modells. Kommerzielle Systeme werden zudem Redundanz, Cybersicherheit und vorhersehbare Reaktionen bei Ausfällen von Geräten benötigen.

Die Forscher planen, Multithreading einzuführen und GPUs oder Field‑Programmable Gate Arrays für schnellere Inferenz zu erforschen. Die entscheidende Kennzahl wird nicht allein die rohe Modellgeschwindigkeit sein. Die End‑zu‑End‑Latenz, einschließlich Datenerfassung, Validierung, Entscheidungen und Aktuation, bestimmt, ob ein Regler rechtzeitig eingreifen kann.

Investieren in KI‑gestützte Fusion über Alphabet

Für Investoren, die an einer börsennotierten Beteiligung an der Konvergenz von KI und Fusionsforschung interessiert sind, bietet Alphabet Inc (GOOG ) eine relevante, wenn auch indirekte Option. Google arbeitet seit über einem Jahrzehnt mit dem privaten Fusionsentwickler TAE Technologies zusammen und wendet maschinelles Lernen auf Plasmenrekonstruktion, Optimierung und Reaktordesign an. Google beteiligte sich zudem an der Finanzierungsrunde von TAE im Jahr 2025.

Googles Beitrag geht über Kapital hinaus. Seine Forscher haben mit Fusionsingenieuren zusammengearbeitet, um das Plasmenverhalten zu interpretieren und die Komplexität der Anlage zu reduzieren. Im Jahr 2025 erklärte Google, dass die gemeinsame Arbeit an der Plasmenrekonstruktion TAE dabei half, seine Fusionsanlage zu vereinfachen und neu aufzubauen. Alphabet hat zudem zugestimmt, Strom von Commonwealth Fusion Systems zu kaufen, falls die geplante Anlage den kommerziellen Betrieb erreicht.

Dies macht Alphabet nicht zu einem reinen Fusion‑Unternehmen. Fusion stellt derzeit einen kleinen und spekulativen Teil eines Unternehmens dar, das von Werbung, Cloud‑Computing und digitalen Diensten dominiert wird. TAE verwendet zudem eine feldumgekehrte Konfiguration anstelle der Tokamak‑Architektur, die bei DIII‑D eingesetzt wird. Dennoch zeigt Googles KI‑Zusammenarbeit mit TAE Technologies, dass es technische Fähigkeiten in den Sektor einbringt, anstatt darauf zu warten, künftig Stromkunde zu werden.

KI wird Teil der Fusionsmaschine

PACMAN erweitert die Diskussion über die Frage, ob ein KI‑Modell eine Instabilität vorhersagen kann. Die wichtigere Frage ist, ob viele prädiktive und Steuerungssysteme zusammen arbeiten, mit der Hardware interagieren und innerhalb durchsetzbarer Sicherheitsregeln bleiben können.

Die DIII‑D‑Experimente deuten darauf hin, dass dieses Integrationsproblem lösbar ist. PACMAN unterstützte fünf unterschiedliche Anwendungen, traf Entscheidungen im Millisekunden‑Zeitrahmen und bot einen Weg, neue Modelle hinzuzufügen, ohne das gesamte Steuerungssystem neu zu entwerfen. Es bleibt experimentelle Infrastruktur, aber genau diese Infrastruktur verwandelt isolierte Durchbrüche in wiederholbaren Fortschritt.

Kommerzielle Fusion erfordert weiterhin Fortschritte bei der Plasmaperformance, Materialien, Brennstoffkreisläufen, Wartung und Wirtschaftlichkeit von Anlagen. Echtzeit‑KI‑Steuerung wird diese Errungenschaften nicht ersetzen. Sie könnte jedoch die Schicht werden, die es ermöglicht, dass sie zusammen in einem Reaktor funktionieren.

Referenzen:

^{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). Enabling integrated AI control on DIII‑D: A control system design with state-of-the-art experiments. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}