Tekoäly ottaa hallinnan fuusiolaitteisiin millisekunneissa

Fuusiotutkijat pyrkivät hallitsemaan ainetta lämpötiloissa, jotka ovat kuumempia kuin Auringon ydin. Tämä haaste jättää lähes ei tilaa viivästyneille päätöksille. Plasmaepästabiilisuus voi kehittyä millisekunneissa, kun taas yksityiskohtainen fysiikkasimulaatio saattaa kestää päiviä tai kuukausia. Ihmisoperaattorit voivat asettaa tavoitteet, mutta he eivät pysty manuaalisesti reagoimaan riittävän nopeasti jokaisen muutoksen aikana fuusiokokeessa.

Uusi tutkimus¹ Princetonin yliopiston ja Princeton Plasma Physics Laboratory -tutkijoilta kuvaa käytännön ratkaisun tähän ohjausongelmaan. Tiimi kehitti PACMANin, lyhenteenä Prediction And Control using MAchiNe learning, ja otettiin se käyttöön DIII-D‑tokamakissa Kaliforniassa. Sen sijaan, että suoritettaisiin yksi kapea tekoälytehtävä, PACMAN tarjoaa yhteisen kehyksen, jonka kautta eri mallit voivat lukea diagnostiikkatietoja, tehdä ennusteita, koordinoida ohjaimia ja lähettää komentoja fyysiseen laitteistoon.

Fuusiotutkimuksessa on jo voimakkaita koneoppimismalleja. Haasteellisempaa on muuttaa ne luotettaviksi reaaliaikaisiksi komponenteiksi ilman, että jokaiselle kokeelle täytyy rakentaa ohjausputki uudelleen. PACMAN vastaa tähän puuttuvaan kerrokseen.

Miksi fuusio vaatii reaaliaikaista tekoälyohjausta

Tokamak rajoittaa sähköisesti varautunutta plasmaa magneettikenttien avulla. Hyödyllisten olosuhteiden ylläpito vaatii jatkuvia säätöjä lämmitysjärjestelmiin, magneettikierroksiin, kaasunsyöttöön ja muuhun laitteistoon. Pienet häiriöt voivat kasvaa epävakaisuuksiksi, jotka heikentävät suorituskykyä tai lopettavat plasma‑purkauksen kokonaan.

Perinteiset ohjaimet pysyvät tehokkaina, kun insinöörit voivat kuvata halutun vasteen etukäteen. Kuitenkin kehittyneet plasma‑alueet sisältävät epälineaarisia vuorovaikutuksia, puutteellisia mittauksia ja olosuhteita, jotka muuttuvat liian nopeasti kattaviin laskelmiin. Koneoppiminen voi approksimoida tätä käyttäytymistä ja antaa vastauksen käytettävissä olevan ajan puitteissa.

Tämän lähestymistavan laajempi merkitys on jo nähtävissä. Aikaisempi tutkimus osoitti, että tekoäly voi ennustaa ja estää fuusioturvallisuusongelmia ennen kuin perinteiset järjestelmät reagoisivat. PACMAN laajentaa konseptia yksittäisestä ennuste- ja ohjausnäytöksestä arkkitehtuuriin, joka pystyy tukemaan useita malleja, ohjaimia ja tavoitteita.

Liitteenä olevan PPPL‑ilmoituksen mukaan koko kehys toimii tyypillisesti noin 20 millisekunnissa. Yhdessä kokeessa koneoppimismalli ennakoi repeilymoodin epävakaisuuden noin 200 millisekuntia etukäteen. Tämä aikaväli saattaa vaikuttaa lyhyeltä, mutta se antaa automatisoidulle ohjaimelle riittävästi aikaa ohjata lämmitystä ja muuttaa plasma‑olosuhteita ennen kuin epävakaus on vakiintunut.

Miten PACMAN‑fuusiokehys toimii

PACMAN järjestää reaaliaikaisen ohjauksen neljään peräkkäiseen lohkoon. Syöte‑lohko kerää diagnostiikkamittauksia ja tarkistaa niiden kelpoisuuden. Malli‑lohko mahdollistaa koneoppimisen, perinteisten tai fysiikkaan perustuvien mallien tulkita nämä syötteet. Ohjaus‑lohko muuntaa ennusteet halutuiksi toimenpiteiksi. Lopuksi lähtö‑lohko ratkaisee kilpailevat pyynnöt, soveltaa laitteiston rajoituksia ja siirtää hyväksytyt komennot tokamakiin.

Järjestelmä voi siis erottaa älykkyyden valtuutuksesta. Tekoälymalli voi suositella toimintaa, mutta sen tulos ei ohita ympäröivää ohjausarkkitehtuuria. Komennot tarkistetaan edelleen toimilaitteiden rajoitusten mukaan, ja tutkijat määrittelevät tavoitteet ja kokoonpanon jokaiselle kokeelle.

• Syötteen validointi tunnistaa puuttuvat tai virheelliset diagnostiikkatiedot.
• Alipäästösuodatus voi estää reaktiot erillisiin huonoihin mittauksiin.
• Ristiriitojen käsittely sovittelee kilpailevien toimilaitteiden pyyntöjen välillä.
• Lähtörajoitukset estävät komentojen ylittämästä laitteiston rajoituksia.

Tämä suunnittelu tarjoaa hyödyllisen opetuksen turvallisuuskriittiselle tekoälylle: luotettavuus ei tarvitse perustua virheettömään malliin. Ympäröivä järjestelmä voi olettaa, että mallit kohtaavat huonoja tietoja tai tuottavat sopimattomia tuloksia, ja rajoittaa niiden vaikutusta fyysiseen laitteistoon.

Viisi kokeilua osoittavat kehyksen joustavuuden

Tutkijat käyttivät PACMANia viidessä kokeellisessa sovelluksessa DIII-D:ssä. Nämä eivät olleet viisi variaatiota samasta neuroverkosta. Niihin sisältyi vahvistusoppiminen, selviytymismallit, varastolaskenta ja mallipohjainen ennakoiva ohjaus, yhdistettynä erilaisiin diagnostiikkoihin ja toimilaitteisiin.

Vahvistusoppiminen ohjain hallitsi lämmityssyötteitä plasma‑paineen ja sisäisten kuljetusesteiden saavuttamiseksi. Repeily‑tilan ohjain ohjasi elektronisyklotronilämmitystä ennen epävakauden ilmestymistä. Toinen malli ennusti äkillisiä reunapohjaisia tapahtumia ilman suoraa toimilaitteen ohjausta, mikä osoittaa, että PACMAN voi myös toimittaa ulkoisen ohjaimen.

Alfvén‑ominais­tilan sovellus luokitteli energisten hiukkasten aiheuttamia aaltoja ja sääteli neutraaliparäjähdyksen tehoa sen mukaisesti. Vaativin esimerkki tiivisti plasma‑profiilit yksinkertaisempaan latenttiin esitykseen ja käytti mallipohjaista ennakoivaa ohjausta tiheyden ja kierron säätämiseen tutkijoiden määrittämiin tavoitteisiin.

Yhdessä nämä kokeet osoittavat, miksi jaettu kehys on arvokas. Jokainen tavoite vaatii erilaisia tietoja, ajoituksia ja laitteistoa, mutta jokaisen tiimin ei pitäisi joutua uudelleen luomaan diagnostiikan käsittelyä, turvallisuustarkastuksia ja toimilaitteiden integrointia.

Todellinen läpimurto on nopeampi fuusiokehitys

PACMAN ei ratkaise fuusiovoiman edessä olevia tieteellisiä ja taloudellisia esteitä. DIII-D on tutkimuslaitos, ei kaupallinen generaattori, eikä kokeet osoittaneet nettosähköntuottoa. Kehys ei myöskään pysty ohjaamaan ilmiöitä, jotka kehittyvät nopeammin kuin sen millisekuntitasoinen ikkuna. Nykyinen toteutus suorittaa mallit peräkkäin, vaikka arkkitehtuuri voi tukea tulevaa rinnakkaista suoritusta.

Sen lähiaikainen arvo löytyy sen sijaan kehityksen nopeudesta. PPPL raportoi, että kehyksen rakentaminen ja ensimmäisen mallin asentaminen kesti kuukausia, kun taas toisen mallin lisääminen vaati vain päiviä. Kun jaettu infrastruktuuri hoitaa toistuvat integrointiongelmat, tutkijat voivat käyttää enemmän aikaa plasma‑mallien parantamiseen ja vähemmän aikaa niiden ympärillä olevan putkistojen uudelleenrakentamiseen.

Tämä voi luoda ketjureaktion. Nopeampi käyttöönotto tuottaa enemmän kokeellista dataa, parempia malleja ja yhä kunnianhimoisempia toimintaympäristöjä. Tuloksena on tiukempi oppimispiiri simuloinnin, koneoppimisen ja fyysisten kokeiden välillä.

Tämä silmukka auttaa selittämään kasvavaa yhteyttä tekoälyn ja fuusiovoiman välillä. Tekoäly voi lisätä sähkön kysyntää datakeskusten kautta, mutta se on myös kehittymässä insinöörityökaluksi uusien energiajärjestelmien kehittämisessä. Fuusiosta sen arvo ei rajoitu materiaalien löytämiseen tai kokeen jälkeiseen tulosten analysointiin. Se voi osallistua suoraan koneen ohjaukseen.

Kokeellisesta ohjelmistosta reaktorin infrastruktuuriin

Seuraava askel on selvittää, siirtyvätkö PACMANin suunnitteluperiaatteet muihin laitteisiin. Tokamakit eroavat geometriassaan, diagnostiikassaan, toimilaitteissaan ja ohjausjärjestelmissään. Uudelleenkäytettävä konseptuaalinen arkkitehtuuri ei automaattisesti tee ohjelmistosta siirrettävää jokaisessa laitoksessa.

Siitä huolimatta kehys tunnistaa elementit, jotka todennäköisesti ovat merkityksellisiä tulevissa reaktoreissa: standardoidut syötteet, vaihdettavat mallit, selkeät ohjaimen rajat, toimilaitteiden arbitrage ja turvallisuuden toteuttaminen tekoälymallin ulkopuolella. Kaupalliset järjestelmät vaativat myös redundanssia, kyberturvallisuutta ja ennustettavia vastauksia laitteiston vikaantuessa.

Tutkijat aikovat ottaa käyttöön monisäikeistön ja tutkia GPU:ita tai kenttäohjelmoitavia porttisarjoja nopeampaa inferenssiä varten. Kriittinen mittari ei ole pelkkä mallin raaka nopeus. Pääte‑pääte‑viive, mukaan lukien tiedon keruu, validointi, päätökset ja toiminta, määrää, pystyykö ohjain puuttumaan ajoissa.

Sijoittaminen tekoälypohjaiseen fuusioon Alphabetin kautta

Sijoittajille, jotka etsivät julkisen markkinan altistusta tekoälyn ja fuusiotutkimuksen yhdistymiselle, Alphabet Inc (GOOG ) tarjoaa relevantin, vaikka epäsuoran, vaihtoehdon. Google on tehnyt yhteistyötä yksityisen fuusiokehittäjän TAE Technologiesin kanssa yli kymmenen vuoden ajan, soveltaen koneoppimista plasma‑rekonstruktioon, optimointiin ja reaktorisuunnitteluun. Google osallistui myös TAE:n vuoden 2025 rahoituskierrokseen.

Googlen panos ulottuu pääomaa pidemmälle. Sen tutkijat ovat työskennelleet fuusioteknikoiden kanssa plasma‑käyttäytymisen tulkitsemiseksi ja koneen monimutkaisuuden vähentämiseksi. Vuonna 2025 Google ilmoitti, että yhteinen plasma‑rekonstruktio‑työ auttoi TAE:a yksinkertaistamaan ja rakentamaan fuusiokoneensa uudelleen. Alphabet on myös sitoutunut ostamaan sähköä Commonwealth Fusion Systemsiltä, jos sen suunniteltu laitoksensa saavuttaa kaupallisen toiminnan.

Tämä ei tee Alphabetista puhdasta fuusiosijoitusta. Fuusio edustaa tällä hetkellä pientä ja spekulatiivista osaa yrityksestä, jonka päätoimialoja ovat mainonta, pilvipalvelut ja digitaaliset palvelut. TAE käyttää myös kenttäkäännettyä konfiguraatiota sen sijaan, että se käyttäisi DIII-D:ssä käytettyä tokamak‑arkkitehtuuria. Silti Googlen tekoälyyhteistyö TAE Technologiesin kanssa osoittaa, että se tarjoaa teknisiä kyvykkyyksiä alalle sen sijaan, että odottaisi tulevaisuuden sähkökäyttäjää.

Tekoälystä tulee osa fuusiokoneita

PACMAN vie keskustelun pidemmälle kuin pelkkä kysymys siitä, voiko yksi tekoälymalli ennustaa epävakautta. Merkittävämpi kysymys on, voivatko monet ennuste- ja ohjausjärjestelmät toimia yhdessä, olla vuorovaikutuksessa laitteiston kanssa ja pysyä pakottavien turvallisuussääntöjen rajoissa.

DIII-D‑kokeet viittaavat siihen, että tämä integraatio-ongelma on ratkaistavissa. PACMAN sisälsi viisi erillistä sovellusta, teki päätöksiä millisekuntitasolla ja tarjosi polun uusien mallien lisäämiseksi ilman koko ohjausjärjestelmän uudelleensuunnittelua. Se on edelleen kokeellinen infrastruktuuri, mutta juuri infrastruktuuri muuttaa eristetyt läpimurrot toistettavaksi edistykseksi.

Kaupallinen fuusio vaatii edelleen edistystä plasma‑suorituskyvyssä, materiaaleissa, polttoainekiertoissa, ylläpidossa ja laitostaloudessa. Reaaliaikainen tekoälyohjaus ei korvaa näitä saavutuksia. Se voi kuitenkin muodostua kerrokseksi, joka mahdollistaa niiden yhteistoiminnan reaktorissa.

Lähteet:

^{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). Integroitu tekoälyohjaus DIII‑D:ssä: Ohjausjärjestelmän suunnittelu huipputason kokeilla. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}