L’IA prend le contrôle des systèmes de fusion en quelques millisecondes

Les chercheurs en fusion tentent de contrôler la matière à des températures supérieures à celles du centre du Soleil. Ce défi laisse presque aucune marge pour des décisions retardées. Une instabilité du plasma peut se développer en quelques millisecondes, tandis qu’une simulation physique détaillée peut nécessiter des jours ou des mois pour être terminée. Les opérateurs humains peuvent définir les objectifs, mais ils ne peuvent pas réagir manuellement assez rapidement à chaque changement au sein d’une expérience de fusion.

Une nouvelle étude¹ de chercheurs de Princeton University et du Princeton Plasma Physics Laboratory décrit une réponse pratique à ce problème de contrôle. L’équipe a développé PACMAN, abréviation de Prediction And Control using MAchiNe learning, et l’a déployé sur le tokamak DIII‑D en Californie. Au lieu d’exécuter une tâche d’IA étroite, PACMAN fournit un cadre commun permettant à différents modèles de lire les données de diagnostic, de faire des prédictions, de coordonner les contrôleurs et d’envoyer des commandes aux équipements physiques.

La recherche en fusion possède déjà de puissants modèles d’apprentissage automatique. Le problème plus difficile consiste à les transformer en composants fiables en temps réel sans reconstruire la chaîne de contrôle pour chaque expérience. PACMAN répond à cette couche manquante.

Pourquoi la fusion nécessite un contrôle IA en temps réel

Un tokamak confine le plasma chargé électriquement à l’aide de champs magnétiques. Maintenir des conditions utiles nécessite des ajustements constants des systèmes de chauffage, des bobines magnétiques, de l’injection de gaz et d’autres équipements. De petites perturbations peuvent se transformer en instabilités qui réduisent les performances ou interrompent complètement le déchargement du plasma.

Les contrôleurs traditionnels restent efficaces lorsque les ingénieurs peuvent décrire à l’avance la réponse souhaitée. Cependant, les régimes de plasma avancés impliquent des interactions non linéaires, des mesures incomplètes et des conditions qui évoluent trop rapidement pour des calculs exhaustifs. L’apprentissage automatique peut approximer ce comportement et fournir une réponse dans le temps disponible.

L’importance plus large de cette approche est déjà visible. Des recherches antérieures ont montré que l’IA peut prédire et prévenir les instabilités de fusion avant que les systèmes conventionnels ne réagissent. PACMAN étend le concept d’une démonstration individuelle de prédiction et de contrôle à une architecture capable de prendre en charge plusieurs modèles, contrôleurs et objectifs.

Selon l’annonce PPPL qui l’accompagne, le cadre complet fonctionne généralement en environ 20 millisecondes. Dans une expérience, un modèle d’apprentissage automatique a anticipé une instabilité de type tearing-mode environ 200 millisecondes à l’avance. Cet intervalle peut sembler bref, mais il donne à un contrôleur automatisé suffisamment de temps pour rediriger le chauffage et modifier les conditions du plasma avant que l’instabilité ne s’établisse.

Comment fonctionne le cadre de fusion PACMAN

PACMAN organise le contrôle en temps réel en quatre blocs consécutifs. Le bloc d’entrée recueille les mesures de diagnostic et vérifie leur validité. Le bloc de modèle permet aux modèles d’apprentissage automatique, conventionnels ou basés sur la physique, d’interpréter ces entrées. Le bloc de contrôleur traduit les prédictions en actions souhaitées. Enfin, le bloc de sortie résout les demandes concurrentes, applique les contraintes matérielles et transmet les commandes approuvées au tokamak.

Le système peut donc séparer l’intelligence de l’autorité. Un modèle d’IA peut recommander une action, mais sa sortie ne contourne pas l’architecture de contrôle environnante. Les commandes sont toujours vérifiées par rapport aux limites des actionneurs, et les chercheurs définissent les objectifs et la configuration de chaque expérience.

Le cadre comprend plusieurs sauvegardes pratiques:

• La validation des entrées identifie les données de diagnostic manquantes ou invalides.
• Le filtrage passe-bas peut empêcher les réactions à des mesures isolées de mauvaise qualité.
• La gestion des conflits arbitrage entre les demandes concurrentes des actionneurs.
• Les limites de sortie empêchent les commandes de dépasser les contraintes matérielles.

Cette conception offre une leçon utile pour l’IA critique en matière de sécurité: la fiabilité n’a pas besoin de dépendre d’un modèle infaillible. Le système environnant peut supposer que les modèles rencontreront des données défectueuses ou produiront des sorties inappropriées, puis limiter leur influence sur les équipements physiques.

Cinq expériences démontrent la flexibilité du cadre

Les chercheurs ont utilisé PACMAN dans cinq applications expérimentales sur DIII‑D. Il ne s’agissait pas de cinq variantes du même réseau neuronal. Elles comprenaient l’apprentissage par renforcement, des modèles de survie, l’informatique à réservoir et le contrôle prédictif basé sur le modèle, associés à différents diagnostics et actionneurs.

Le contrôleur d’apprentissage par renforcement a géré les apports de chauffage pour atteindre la pression du plasma et les barrières de transport interne. Le contrôleur mode tearing a redirigé le chauffage par cyclotron électronique avant l’apparition d’une instabilité. Un autre modèle a prédit des événements soudains localisés en bord sans contrôler directement un actionneur, montrant que PACMAN peut également fournir un contrôleur externe.

L’application du mode propre Alfvén a classé les ondes associées aux particules énergétiques et ajusté la puissance du faisceau neutre en réponse. L’exemple le plus exigeant sur le plan computationnel a compressé les profils de plasma en une représentation latente plus simple et a utilisé le contrôle prédictif basé sur le modèle pour ajuster la densité et la rotation vers des objectifs définis par les chercheurs.

Ensemble, ces expériences montrent pourquoi un cadre partagé est précieux. Chaque objectif nécessite des données, des temporisations et du matériel différents, mais chaque équipe ne devrait pas avoir à recréer la gestion des diagnostics, les vérifications de sécurité et l’intégration des actionneurs.

La véritable percée est un développement plus rapide de la fusion

PACMAN ne résout pas les obstacles scientifiques et économiques auxquels la puissance de fusion est confrontée. DIII‑D est une installation de recherche, pas un générateur commercial, et les expériences n’ont pas démontré de production nette d’électricité. Le cadre ne peut pas non plus contrôler des phénomènes qui évoluent plus rapidement que sa fenêtre d’échelle de millisecondes. Son implémentation actuelle exécute les modèles en série, bien que l’architecture puisse prendre en charge une exécution parallèle future.

Sa valeur à court terme réside plutôt dans la rapidité de développement. PPPL rapporte que la construction du cadre et l’installation du premier modèle ont pris des mois, tandis que l’ajout du deuxième modèle n’a nécessité que quelques jours. Une fois que l’infrastructure partagée gère les problèmes d’intégration récurrents, les chercheurs peuvent passer plus de temps à améliorer les modèles de plasma et moins de temps à reconstruire les raccordements autour d’eux.

Cela pourrait créer un effet multiplicateur. Un déploiement plus rapide produit davantage de données expérimentales, de meilleurs modèles et des régimes de fonctionnement de plus en plus ambitieux. Le résultat est une boucle d’apprentissage plus serrée entre la simulation, l’apprentissage automatique et les expériences physiques.

Cette boucle aide à expliquer le lien croissant entre l’IA et l’énergie de fusion. L’IA peut augmenter la demande d’électricité via les centres de données, mais elle devient également un outil d’ingénierie pour développer de nouveaux systèmes énergétiques. En fusion, sa valeur ne se limite pas à la découverte de matériaux ou à l’analyse des résultats après une expérience. Elle peut participer directement au contrôle de la machine.

Du logiciel expérimental à l’infrastructure des réacteurs

La prochaine étape consistera à déterminer si les principes de conception de PACMAN se transfèrent à d’autres machines. Les tokamaks diffèrent par leur géométrie, leurs diagnostics, leurs actionneurs et leurs systèmes de contrôle. Une architecture conceptuelle réutilisable ne rend pas automatiquement le logiciel portable entre toutes les installations.

Même ainsi, le cadre identifie les éléments susceptibles d’être importants dans les futurs réacteurs: entrées standardisées, modèles interchangeables, limites explicites du contrôleur, arbitrage des actionneurs et application de la sécurité en dehors du modèle d’IA. Les systèmes commerciaux nécessiteront également redondance, cybersécurité et réponses prévisibles en cas de défaillance de l’équipement.

Les chercheurs prévoient d’introduire le multithreading et d’explorer les GPU ou les circuits intégrés à logique programmable pour une inférence plus rapide. La métrique critique ne sera pas uniquement la vitesse brute du modèle. La latence de bout en bout, incluant l’acquisition des données, la validation, les décisions et l’action, détermine si un contrôleur peut intervenir à temps.

Investir dans la fusion pilotée par l’IA via Alphabet

Pour les investisseurs cherchant une exposition aux marchés publics à la convergence de l’IA et de la recherche sur la fusion, Alphabet Inc (GOOG ) propose une option pertinente, bien que indirecte. Google collabore avec le développeur privé de fusion TAE Technologies depuis plus d’une décennie, appliquant l’apprentissage automatique à la reconstruction du plasma, à l’optimisation et à la conception de réacteurs. Google a également participé à la levée de fonds de TAE en 2025.

La contribution de Google va au-delà du capital. Ses chercheurs ont travaillé avec des ingénieurs en fusion pour interpréter le comportement du plasma et réduire la complexité de la machine. En 2025, Google a déclaré que le travail conjoint de reconstruction du plasma avait aidé TAE à simplifier et reconstruire sa machine de fusion. Alphabet a également accepté d’acheter de l’énergie auprès de Commonwealth Fusion Systems si son installation prévue atteint une exploitation commerciale.

Cela ne fait pas d’Alphabet un acteur pur de la fusion. La fusion représente actuellement une petite partie spéculative d’une entreprise dominée par la publicité, le cloud computing et les services numériques. TAE utilise également une configuration à champ inversé plutôt que l’architecture tokamak employée sur DIII‑D. Néanmoins, la collaboration IA de Google avec TAE Technologies montre qu’elle apporte des capacités techniques au secteur plutôt que d’attendre de devenir un futur client en électricité.

L’IA devient partie intégrante de la machine de fusion

PACMAN fait dépasser la discussion au-delà de la capacité d’un modèle d’IA à prédire une instabilité. La question plus conséquente est de savoir si de nombreux systèmes prédictifs et de contrôle peuvent fonctionner ensemble, interagir avec le matériel et rester limités par des règles de sécurité applicables.

Les expériences sur DIII‑D suggèrent que ce problème d’intégration est résolvable. PACMAN a accueilli cinq applications distinctes, a pris des décisions à l’échelle de la milliseconde et a offert une voie pour ajouter de nouveaux modèles sans redessiner l’ensemble du système de contrôle. Il reste une infrastructure expérimentale, mais c’est précisément cette infrastructure qui transforme des percées isolées en progrès répétables.

La fusion commerciale nécessite encore des avancées en performance du plasma, matériaux, cycles de combustible, maintenance et économie des centrales. Le contrôle IA en temps réel ne remplacera pas ces réalisations. Il pourrait toutefois devenir la couche qui permet leur coopération à l’intérieur d’un réacteur.

Références:

^{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). Permettre le contrôle IA intégré sur DIII-D: une conception de système de contrôle avec des expériences de pointe. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}