L’IA peut prédire et prévenir les instabilités des réactions de fusion

Depuis que le concept de fusion nucléaire a été compris il y a près d’un siècle, des ingénieurs aux scientifiques, tout le monde cherche des moyens de la créer et de l’exploiter. Après tout, une fois que nous aurons atteint la fusion nucléaire à l’échelle industrielle, elle pourrait offrir une énergie abordable, sûre, non polluante et pratiquement illimitée pour répondre à la demande croissante.

Qu’est-ce que la fusion nucléaire ? C’est un processus où deux noyaux atomiques légers ou plus se réunissent pour former un noyau atomique unique, différent et plus lourd, libérant d’énormes quantités d’énergie. Fait intéressant, les réactions de fusion alimentent le soleil et les étoiles, rendant la vie sur Terre possible.

Cependant, fusionner deux atomes est assez difficile, car cela nécessite une énorme pression et énergie pour qu’ils surmontent leur répulsion mutuelle. Le soleil y parvient grâce à son immense attraction gravitationnelle et aux très hautes pressions présentes au cœur.

Aujourd’hui, les chercheurs tentent de construire leurs propres réacteurs à fusion. Ces réactions de fusion se déroulent dans le plasma, un état de la matière. Le plasma, un gaz chaud et chargé composé d’électrons libres négatifs et d’ions positifs, permet le passage du courant électrique.

Pour reproduire ce processus, les scientifiques utilisent un plasma extrêmement chaud et des aimants très puissants. Cependant, le plasma surchauffé, très complexe et désordonné peut perdre rapidement sa stabilité et s’échapper des champs magnétiques intenses qui le confinent dans le réacteur à forme de beignet, signalant généralement la fin de la réaction. Ces dispositifs en forme de beignet sont appelés tokamaks.

Cela constitue bien sûr un défi majeur pour développer la fusion comme source d’énergie propre et illimitée. Cependant, une équipe de data scientists, d’ingénieurs et de physiciens de l’Université de Princeton et du Laboratoire de physique des plasmas de Princeton (PPPL) du Département de l’énergie des États‑Unis utilise l’intelligence artificielle (IA) pour prévoir en temps réel la formation d’un problème de plasma spécifique afin de l’éviter.

Au DIII‑D National Fusion Facility de San Diego, qui est exploité par le Bureau de la Science pour le compte de General Atomics au nom du Département de l’énergie (DOE), les chercheurs ont mené leurs expériences et démontré leur modèle d’IA, qui a montré qu’il pouvait prédire les potentielles instabilités du plasma. Qualifiées d’instabilités de mode de déchirure, ces instabilités peuvent être prédites par l’IA bien à l’avance, jusqu’à 300 millisecondes. Pour mettre cela en perspective, nous clignons des yeux en moyenne toutes les 100 à 150 millisecondes, selon des chercheurs de l’UCL.

Bien que très courte, cette durée offre amplement de temps au contrôleur IA pour modifier certains paramètres de fonctionnement afin d’empêcher la déchirure des lignes de champ magnétique du plasma, ce qui perturberait l’équilibre et pourrait potentiellement mettre fin à la réaction.

Le modèle d’IA a été entraîné sur les données d’essais antérieurs plutôt que d’utiliser les informations provenant de modèles basés sur la physique. Ainsi, « l’IA a pu développer une politique de contrôle finale qui soutenait un régime de plasma stable et à haute puissance en temps réel, dans un réacteur réel », a déclaré le responsable de l’étude, Egemen Kolemen, physicien chercheur au PPPL et professeur associé de génie mécanique et aérospatial au Andlinger Center for Energy and the Environment.

Contrairement aux approches actuelles, cela permet un contrôle plus dynamique d’une réaction de fusion et fournit également une base pour exploiter l’IA afin de trouver une solution à un large éventail d’instabilités du plasma. C’est crucial car cela représente un défi depuis longtemps pour réaliser une réaction de fusion constante.

Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle (IA).

L’utilisation croissante de l’IA dans la recherche sur la fusion

Publié dans Nature, cette étude se concentre sur la prédiction et l’évitement des instabilités de déchirure avant même qu’elles n’apparaissent dans le plasma. Cela la différencie des approches précédentes qui, selon Jaemin Seo, auteur de l’étude et professeur adjoint de physique à l’Université Chung‑Ang de Corée du Sud, visaient normalement à atténuer ou à réduire les effets de ces instabilités après leur survenue. 

L’équipe de Princeton a abordé les instabilités de mode de déchirure, un type de perturbation où les lignes de champ magnétique ne parviennent pas à contenir des plasmas dépassant 100 millions de degrés Celsius, entraînant une disruption du plasma. C’est plus chaud que le centre du Soleil. Selon Seo :

« Les instabilités de mode de déchirure, l’une des principales causes de la disruption du plasma, deviendront encore plus marquées à mesure que nous tenterons de faire fonctionner les réactions de fusion à la puissance élevée nécessaire pour produire suffisamment d’énergie, posant un défi majeur qui doit être résolu. »

Étant donné que ce type d’instabilité peut se former puis perturber la réaction de fusion en quelques millisecondes, les chercheurs se sont tournés vers l’IA pour sa capacité à traiter rapidement les données et à réagir en temps réel.

Ce n’était toutefois pas la première fois que l’IA était utilisée dans la recherche sur la fusion. En fait, l’intérêt pour le machine learning et l’IA afin d’évaluer les énormes quantités de données produites lors de ces expériences ne cesse de croître. 

En évaluant les données d’entraînement, l’IA reconnaît ensuite les motifs et en déduit des principes. Par exemple, le Wendelstein 7‑X s’occupe de la détection en temps réel de l’état d’équilibre du plasma dans les stellarators, un dispositif plasma qui dépend d’aimants externes pour confiner le plasma.

Comme l’ont déclaré Riccardo Betti, scientifique en chef au LLE, et Robert L. McCrory, professeur au département de physique et d’astronomie ainsi qu’au département de génie mécanique :

« Nous disposons désormais d’une abondance de données expérimentales que nous pouvons exploiter avec le machine learning pour corriger systématiquement les simulations et guider les ajustements en temps réel des expériences. »

Par ailleurs, dans une étude de 2021, Diogo Ferreira, professeur de systèmes d’information à l’Instituto Superior Técnico de l’Université de Lisbonne au Portugal, a détaillé trois utilisations différentes des modèles d’IA, de ML et de DL pour la recherche sur la fusion. L’un de ses modèles prédit les disruptions d’un plasma super‑chaud, le second détecte les anomalies du plasma, et le troisième porte sur les représentations visuelles des motifs de radiation du plasma.

Aujourd’hui, cette dernière étude, soutenue par le Bureau des sciences de l’énergie de fusion du DOE et la Fondation nationale de recherche de Corée, travaille à prévenir l’instabilité de déchirure du plasma de fusion grâce à l’apprentissage automatique (ML), sous‑domaine de l’apprentissage par renforcement profond (RL). Le DOE a également fourni un soutien financier au MIT Plasma Science and Fusion Center pour améliorer l’accès aux données de fusion.

Pour construire un contrôleur d’intelligence artificielle performant, l’équipe de Princeton doit utiliser les données des tests réalisés précédemment sur le tokamak DIII‑D. Un réseau neuronal profond a ensuite été créé avec la capacité de prédire la probabilité d’une future instabilité de déchirure en fonction des caractéristiques du plasma en temps réel.

Selon Azarakhsh Jalalvand, co‑auteur de l’étude et chercheur dans le groupe de Kolemen, cela ressemblait à enseigner à quelqu’un comment piloter un avion, ce qui ne consisterait pas à « lui remettre un jeu de clés et lui dire de faire de son mieux », mais plutôt à « le faire s’exercer sur un simulateur de vol très sophistiqué jusqu’à ce qu’il ait suffisamment appris pour passer à la réalité ». 

L’équipe a ensuite entraîné un algorithme d’apprentissage par renforcement (RL) sur leur réseau neuronal, capable d’essayer différentes stratégies de contrôle du plasma. L’algorithme apprend par essais et erreurs dans la sécurité d’un environnement simulé.

Au lieu de lui enseigner toute la physique complexe d’une réaction de fusion, l’équipe n’a indiqué au modèle d’apprentissage par renforcement que son objectif était de maintenir une réaction à haute puissance tout en évitant ce qu’il fallait éviter, c’est‑à‑dire une instabilité de mode de déchirure, ainsi que les paramètres qu’il pouvait utiliser pour atteindre ces résultats. Puis, au fil du temps, le modèle apprend le chemin optimal pour atteindre des niveaux de puissance élevés tout en évitant la sanction de l’instabilité.

Alors que le modèle parcourait d’innombrables expériences de fusion simulées, l’équipe a observé et affiné ses actions car certains changements étaient trop rapides. 

« En tant qu’humains, nous arbitrons entre ce que l’IA veut faire et ce que le tokamak peut accueillir. » 

– SangKyeun Kim, co‑auteur de l’étude & scientifique chercheur au PPPL

L’équipe n’a testé le contrôleur IA lors d’une véritable expérience de fusion qu’après s’être assurée de ses capacités. Le contrôleur IA a alors apporté des modifications en temps réel à certains paramètres du tokamak D‑III‑D, notamment en modifiant la forme du plasma et la puissance des faisceaux injectant de l’énergie dans la réaction afin d’éviter le déclenchement de l’instabilité. (NRC )

Une solution universelle

Cette recherche récente, dont les résultats ont été publiés la semaine dernière dans Nature, propose une approche active contrairement aux approches « plus passives » actuelles de prédiction des instabilités à l’avance, ce qui peut faciliter le déroulement de ces réactions. Kim a déclaré :

« Nous n’avons plus besoin d’attendre que les instabilités se produisent puis d’agir rapidement avant que le plasma ne soit perturbé. »

Cette étude constitue certainement une preuve de concept prometteuse montrant à quel point l’IA peut contrôler efficacement les réactions de fusion. Cependant, les chercheurs ont noté que le groupe de Kolemen travaille déjà sur plusieurs étapes suivantes pour faire progresser le domaine de la recherche sur la fusion. 

Ainsi, bien qu’il existe des « preuves solides » que le contrôleur IA fonctionne « assez bien » sur le tokamak DIII‑D, l’objectif est désormais d’obtenir davantage de preuves de son fonctionnement en situation réelle, de disposer de plus de données montrant qu’il fonctionne également dans d’autres contextes, puis de l’étendre à d’autres tokamaks. 

Mais ce n’est pas tout. Le modèle IA actuel n’utilise qu’un nombre limité de diagnostics qui lui permettent d’éviter un seul type d’instabilité. Ainsi, les chercheurs souhaitent fournir des données sur d’autres types d’instabilités ainsi qu’un accès à davantage de paramètres pour que le contrôleur IA puisse effectuer des ajustements. L’équipe vise donc à étendre son algorithme afin de gérer plusieurs types d’instabilités en contrôlant simultanément de nombreux paramètres différents.

Sur la voie de la création de contrôleurs IA plus efficaces, l’équipe espère que l’IA gagnera en clarté et en compréhension des réactions de fusion et de la physique, et nous apprendra davantage à ce sujet.

Cliquez ici pour découvrir pourquoi 2023 a été l’année décisive pour l’IA.

Entreprises actives dans le domaine de l’IA et de la réaction de fusion

Voyons maintenant quelques noms de premier plan dans le secteur :

#1. Google 

Le géant technologique a les mains dans tous les domaines, y compris la recherche en IA et l’énergie de fusion. Il y a quelques années, DeepMind, soutenu par Google, a annoncé qu’il avait entraîné un système d’IA pour contrôler le plasma à l’intérieur d’un réacteur à fusion nucléaire. Le AI Lab a créé un système d’IA par apprentissage par renforcement (RL) pour contrôler les aimants et modifier la tension des milliers de fois chaque seconde.

La société, dont la capitalisation atteint 1,75 billion de dollars, voit ses actions se négocier à 140,38 $, en hausse de 3 % depuis le début de l’année. Google a déclaré un chiffre d’affaires (TTM) de 307,39 milliards et possède un BPA (TTM) de 5,80, un PER (TTM) de 24,17 et un ROE (TTM) de 27,36 %.

#2. TAE Technologies

Anciennement connue sous le nom de Tri Alpha Energy, l’entreprise californienne se concentre sur le développement de technologies d’énergie de fusion. TAE Technologies met actuellement à jour sa plateforme de fusion, Norman, vers une machine de sixième génération appelée Copernicus. Si tout se passe bien, l’entreprise prévoit de construire son premier prototype de centrale électrique qui pourrait être raccordé au réseau au début des années 2030, et l’extension de cette technologie pour développer une énergie commerciale « robuste et fiable » se poursuivra tout au long de la décennie. La fusion, selon son PDG Michl Binderbauer, nous propulserait vers un « paradigme d’abondance ».

En 2022, Google et Chevron (CVX ) ont investi dans TAE Technologies dans le cadre de la levée de fonds de 250 millions de dollars de l’entreprise. Google collabore en fait avec TAE depuis une décennie et fournit à l’entreprise l’IA et la puissance de calcul.

#3. ITER

Le Réacteur expérimental thermonucléaire international (ITER) est un mégaprojet international de recherche et d’ingénierie en fusion nucléaire qui fait progresser sa recherche et son développement en fusion grâce au ML et à l’IA.

« Les projets de grande envergure comme ITER offrent une abondance de données idéales pour l’IA. Ils nous offrent une opportunité unique d’apprendre, d’entraîner, d’extrapoler et d’appliquer ces compétences dans d’autres domaines de la fabrication. »

– María Ortiz de Zúñiga, responsable technique senior chez Fusion for Energy

Conclusion

Comme nous l’avons évoqué tout au long de cet article, l’IA a le potentiel de transformer divers aspects du parcours de la fusion. Cependant, les avancées technologiques récentes ont suscité l’espoir de surmonter les défis de longue date auxquels cette industrie est confrontée. En exploitant la puissance de calcul et les capacités de reconnaissance de motifs de l’intelligence artificielle, nous pouvons accélérer le développement de l’énergie de fusion et enfin faire de l’avenir énergétique durable une réalité.