Maîtriser la fusion avec l’IA pour libérer une énergie propre infinie

Avec les combustibles fossiles qui s’épuisent rapidement et le changement climatique qui s’aggrave, nous sommes dans un besoin d’énergie propre. 

Bien que les sources d’énergie renouvelable offrent une alternative prometteuse, elles ont leurs propres défis en termes de limitations de stockage d’énergie, de complexités d’intégration au réseau, de coûts initiaux élevés, et de la nature intermittente de certaines sources comme le solaire et l’éolien. De plus, l’utilisation des terres, les barrières politiques et le besoin d’infrastructures robustes constituent également des obstacles importants. 

C’est ici que l’énergie nucléaire peut changer la donne. L’énergie nucléaire est une forme d’énergie libérée à partir du noyau, qui est le cœur central chargé positivement des atomes, composé de protons et de neutrons. 

Selon l’Agence internationale de l’énergie (IEA), l’énergie nucléaire représente environ 10% de la production d’électricité à l’échelle mondiale. 

Mais malgré sa capacité à produire une énergie sans émissions, les coûts initiaux élevés, les longs délais et un mauvais historique de livraison à temps limitent l’adoption de l’énergie nucléaire, note l’IEA. Cependant, un nouvel élan à travers le monde a le potentiel d’ouvrir une nouvelle ère pour l’énergie nucléaire avec des réacteurs qui commenceront les opérations commerciales en Chine, en Europe, en Inde, au Japon et en Corée.

Aujourd’hui, il existe deux façons dont cette source d’énergie peut être produite:

• Fusion
• Fission

Fission est le processus où les noyaux d’atomes lourds sont divisés en noyaux plus petits. Fusion est le processus où les noyaux d’atomes plus légers sont fusionnés pour former un noyau plus lourd. Les deux libèrent d’énormes quantités d’énergie.

Alors que seule la fission est actuellement utilisée à grande échelle pour la production d’électricité, aujourd’hui, notre attention se porte sur la fusion nucléaire.

Toujours en phase de recherche et développement, la fusion nucléaire contribue très peu à la production énergétique mondiale, bien qu’elle détienne un potentiel immense pour l’avenir. C’est en fait l’une des sources d’énergie les plus respectueuses de l’environnement, car il n’y a ni dioxyde de carbone ni autres émissions nocives pendant le processus.

L’électricité zéro carbone provenant des centrales à fusion peut également circuler en continu, quel que soit le temps ou le moment de la journée. Contrairement à la fission, la fusion ne crée même pas de fusionnements potentiellement catastrophiques ni de déchets nucléaires radioactifs à long terme.

Non seulement la fusion ne contribue pas aux émissions de gaz à effet de serre (GES), ses deux principales sources de combustible, l’hydrogène (pour le deutérium) et le lithium (pour le tritium), sont également largement disponibles.

Dans ce contexte, on s’attend à ce que la fusion nucléaire réponde aux besoins énergétiques de l’humanité pendant des millions d’années, ce qui pousse les pays du monde entier à travailler activement pour en faire une réalité. 

Obstacles entre la vision de l’énergie nucléaire et la réalité

C’est en 1915 que le concept de fusion nucléaire a été proposé pour la première fois par le chimiste américain William Draper Harkins. Mais nous n’avons pas encore réussi à le réaliser de manière significative. 

Les réactions de fusion constituent en réalité la source d’énergie fondamentale des étoiles, y compris la gigantesque boule de gaz chaud qu’est le Soleil. C’est le processus appelé fusion thermonucléaire qui a maintenu le Soleil et les étoiles brillants pendant des millions d’années.

Dans la fusion thermonucléaire, les noyaux atomiques se combinent à des températures extrêmement élevées, de dix à cent millions de degrés Celsius, ce qui fournit suffisamment d’énergie pour surmonter la répulsion électrique mutuelle de deux noyaux. Ils fusionnent ensuite pour former un noyau unique et libèrent une énergie importante.

La force gravitationnelle massive du Soleil joue ici un rôle clé, car elle génère une pression extrême, de la chaleur et les conditions nécessaires à la fusion. Sans gravité, le Soleil ne serait pas assez chaud et dense pour que la fusion se produise. 

Aujourd’hui, créer la fusion nucléaire sur Terre sans les niveaux écrasants de gravité signifie placer des isotopes légers dans un réacteur puis les chauffer à des centaines de millions de degrés Celsius, ce qui les transforme en un « plasma » ionisé.

Le plasma est un gaz chargé composé d’ions positifs et d’électrons libres. Il est extrêmement chaud et difficile à contrôler, nécessitant un champ magnétique pour l’empêcher de s’échapper.

Les scientifiques ont pu régulièrement atteindre les conditions nécessaires à la fusion nucléaire, mais la stabilité du plasma et l’amélioration des propriétés de confinement ne sont pas encore atteintes pour maintenir la réaction et produire de l’énergie de manière soutenue.

Par exemple, à la fin de 2022, une expérience de fusion de plusieurs milliards de dollars a finalement réussi à faire libérer à un petit échantillon d’isotope plus d’énergie que l’énergie laser utilisée pour l’ignition, mais cela n’a duré qu’environ un dixième de nanoseconde.

Ainsi, la fusion nucléaire est un processus très difficile, nécessitant des conditions extrêmes de températures élevées et de pressions intenses.

Ensuite, il faut stabiliser le plasma, empêcher qu’il touche les parois du réacteur et minimiser les pertes de chaleur, ce qui rend difficile le maintien de la réaction. En termes d’ingénierie, nous avons besoin de grands aimants supraconducteurs puissants pour confiner le plasma dans des tokamaks, un type courant de réacteur à fusion en forme de beignet, ainsi que de systèmes à vide avancés pour atteindre et maintenir des pressions extrêmement basses.

De plus, nous avons besoin de matériaux capables de résister à des températures élevées, à des flux de chaleur intenses et à une forte radiation neutronique. Pour relever ces défis, les scientifiques se tournent vers l’intelligence artificielle (IA). 

L’IA joue un rôle de plus en plus vital dans l’accélération de la recherche et du développement de la fusion nucléaire. En exploitant l’apprentissage automatique et d’autres algorithmes d’IA, les chercheurs optimisent la conception des réacteurs, identifient et corrigent les erreurs de mesure fondamentales, accélèrent la découverte de matériaux, prédisent et préviennent les perturbations du plasma, contrôlent l’état du plasma et améliorent l’efficacité et la stabilité des réactions de fusion.

En traitant d’énormes quantités de données complexes et la relation complexe entre les différentes facettes du processus de fusion, l’IA peut améliorer davantage notre compréhension, accélérer le développement de nouvelles conceptions de réacteurs et réduire considérablement les délais de développement, ouvrant la voie à la commercialisation de l’énergie nucléaire.

L’IA aide à surmonter les barrières physiques de la fusion

L’IA transforme rapidement les industries, y compris le secteur de l’énergie, où elle aide à résoudre la crise énergétique mondiale en réalisant une énergie nucléaire sans carbone et illimitée. 

À cet égard, Google DeepMind a utilisé l’apprentissage par renforcement profond (RL) pour contrôler avec succès le plasma¹ dans un tokamak et le sculpter précisément en différentes formes. Pour développer le système RL, ils ont collaboré avec le Swiss Plasma Center de l’EPFL. Le système découvre de manière autonome comment contrôler les bobines magnétiques entourant un tokamak et contenir le plasma à l’intérieur.

L’année dernière, l’entreprise a également publié un simulateur de plasma appelé TORAX², qui modélise le “cœur” du plasma puis prédit les changements de température, de densité et de courant électrique. 

Au début de l’année dernière, une équipe de l’Université de Princeton a également utilisé le RL pour prédire la forme principale des perturbations dans le plasma de fusion jusqu’à 300 millisecondes avant leur apparition. Connues sous le nom d'”instabilités de mode de déchirure”, elles se produisent lorsque les lignes de champ magnétique à l’intérieur d’un plasma se rompent, permettant son échappement et arrêtant ainsi le processus de fusion. 

Ces instabilités devraient « devenir encore plus marquées à mesure que nous essayons de faire fonctionner les réactions de fusion à des puissances élevées nécessaires pour produire suffisamment d’énergie », a déclaré le premier auteur Jaemin Seo, professeur assistant de physique à l’Université Chung-Ang de Corée du Sud. « Elles constituent un défi important à résoudre. »

Leur modèle d’IA prévoit à l’avance les potentielles instabilités de mode de déchirure³ et modifie ensuite certains paramètres de fonctionnement pour éviter la déchirure au sein des lignes de champ magnétique du plasma.

Le modèle, entraîné sur des données expérimentales passées, reçoit pour objectif de maintenir une réaction à haute puissance, ainsi que des conditions à éviter, comme l’instabilité de mode de déchirure, et les réglages qu’il peut ajuster pour atteindre ces résultats. Au fil du temps, le modèle d’IA « apprend le chemin optimal » pour soutenir l’objectif de haute puissance tout en évitant l’instabilité.

« En apprenant des expériences passées, plutôt qu’en incorporant des informations provenant de modèles basés sur la physique, 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. »

– Chef de recherche Egemen Kolemen

Alors que le modèle exécutait d’innombrables expériences de fusion simulées pour trouver des voies, l’équipe observait en arrière-plan ses « intentions » et affinait les actions, agissant comme un arbitre « entre ce que l’IA veut faire et ce que le tokamak peut accueillir ».

L’équipe d’ingénieurs, de physiciens et de data scientists a testé et démontré son modèle lors d’expériences au DIII-D National Fusion Facility à San Diego.

Ensuite, plus tôt cette année, un article de recherche intitulé “Prediction of Performance and Turbulence in ITER Burning Plasmas via Nonlinear Gyrokinetic Profile Prediction“⁴ a été publié par Nathan Howard, scientifique principal de recherche au MIT Plasma Science and Fusion Center (PSFC).

Howard et son équipe ont utilisé le ML et des simulations pour prédire le comportement du plasma dans un dispositif de fusion. 

« Dans l’article, ils expliquent que les simulations de haute résolution de la turbulence confirment que le tokamak ITER, le plus grand dispositif expérimental de fusion au monde actuellement en construction dans le sud de la France, fonctionnera comme prévu lorsqu’il entrera en service, ce qui ne sera pas avant au moins 2035. »

Pour vérifier le scénario, l’équipe a utilisé CGYRO, un programme gourmand en temps qui applique un modèle complexe de physique du plasma à certaines conditions de fonctionnement afin de produire des simulations détaillées du comportement du plasma à différents emplacements au sein d’un dispositif de fusion.

Les simulations ont ensuite été exécutées via le cadre PORTALS, qui prend les exécutions haute fidélité et utilise le ML pour créer un « substitut », un modèle qui « peut imiter les résultats des exécutions plus complexes, mais beaucoup plus rapidement ».

Les outils de modélisation haute fidélité comme PORTALS, ont noté les chercheurs, offrent « un aperçu du cœur du plasma avant même qu’il ne se forme. Cette approche de prédiction en premier nous permet de créer des plasmas plus efficaces dans un dispositif comme ITER ».

L’équipe a également démontré différents réglages de fonctionnement où la même quantité d’énergie produite peut être obtenue avec moins d’énergie d’entrée.

Swipe to scroll →

Cartographier les ombres de la fusion avec HEAT-ML 

Une nouvelle approche d’IA est maintenant utilisée pour protéger l’intérieur des réacteurs de fusion de la chaleur extrême du plasma. Cette nouvelle méthode accélère la vitesse des calculs nécessaires pour trouver les “ombres magnétiques” dans les contenants de fusion.

Ces ombres sont des refuges sûrs qui sont protégés de la chaleur intense du plasma.

Le défi thermique à l’intérieur du tokamak

Comme nous l’avons expliqué ci-dessus, lorsque le plasma est confiné dans le tokamak à l’aide de champs magnétiques, la chaleur provenant du plasma atteint une température encore plus élevée que le cœur du soleil. Pour exploiter la fusion, cette chaleur doit être contrôlée.

Selon Doménica Corona Rivera, physicienne de recherche associée au Princeton Plasma Physics Laboratory (PPPL):

« Les composants en contact avec le plasma du tokamak pourraient entrer en contact avec le plasma, qui est très chaud et peut fondre ou endommager ces éléments. Le pire scénario serait d’avoir à arrêter les opérations. »

Ainsi, pour surmonter ce problème, les chercheurs utilisent l’IA capable d’accélérer les calculs qui prédisent précisément où la chaleur frappera dans le tokamak.

En accélérant considérablement les calculs HEAT, le modèle rend possible des applications en temps réel pour la protection du divertor et les actions de contrôle.

Une collaboration pour stimuler l’innovation en fusion

Un partenariat public-privé entre le PPL, le Oak Ridge National Laboratory du Département de l’énergie des États‑Unis (DOE), et la société de puissance de fusion Commonwealth Fusion Systems (CFS), qui est une spin‑off du MIT et vise à construire une petite centrale de fusion basée sur la conception du tokamak ARC, a conduit à cette nouvelle approche d’IA appelée HEAT-ML.

Le modèle de substitution basé sur le ML (HEAT-ML) est détaillé dans la dernière étude intitulée “Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods.”⁵

HEAT-ML vise à établir les bases d’un logiciel pour accélérer la conception des futurs systèmes de fusion, ainsi qu’à prévenir tout problème avant qu’il ne survienne en ajustant le plasma, permettant ainsi une prise de décision éclairée.

« Cette recherche montre qu’il est possible de prendre un code existant et de créer un substitut IA qui accélérera votre capacité à obtenir des réponses utiles, et elle ouvre des voies intéressantes en termes de contrôle et de planification de scénarios. »

– Co‑auteur de l’article, Michael Churchill, responsable de l’ingénierie numérique au PPPL.

Cartographier les ombres magnétiques pour protéger les matériaux

HEAT-ML a été spécialement conçu pour simuler une petite partie du SPARC.

SPARC est un tokamak actuellement en cours de développement par CFS en collaboration avec le MIT PSFC. Il devrait commencer ses opérations l’année prochaine et vise à démontrer un gain net d’énergie, générant plus d’énergie qu’il ne consomme d’ici 2027.

Afin d’atteindre cet objectif, les chercheurs simulent l’impact de la chaleur sur l’intérieur de ce tokamak.

Un grand défi informatique, les chercheurs le rendent gérable en se concentrant sur la section SPARC, où l’intensité de l’échappement thermique du plasma rencontre la paroi du matériau. Il s’agit de 15 tuiles autour de la base de la machine, qui est la partie où son système d’échappement sera le plus vulnérable à la chaleur.

Pour créer cette simulation, l’équipe a créé des masques d’ombre, qui sont des cartes 3D d’ombres magnétiques. Ces cartes sont des zones spécifiques sur les surfaces des composants internes d’un système de fusion qui sont protégées de la chaleur directe. Leur position dépend de la forme des pièces à l’intérieur du tokamak ainsi que de leur interaction avec les lignes de champ magnétique confinant le plasma.

Accélérer les simulations de minutes à millisecondes

Les masques d’ombre ont été initialement calculés à l’aide du programme informatique open source appelé HEAT, ou le Heat flux Engineering Analysis Toolkit.

Conçu par Tom Looby de CFS en collaboration avec le responsable de l’équipe de diagnostic SPARC, Matt Reinke, ce programme a d’abord été appliqué au système d’échappement du tokamak sphérique du PPPL appelé National Spherical Torus Experiment‑Upgrade (NSTX‑U), qui est conçu pour être le plus puissant au monde.

Les chercheurs ont maintenant utilisé l’apprentissage automatique pour compléter HEAT, développant des modèles de substitution 3D pour des calculs rapides et précis de la charge thermique.

Le HEAT‑ML résultant suit les lignes de champ magnétique depuis la surface d’un composant pour voir si elles intersectent d’autres parties internes. Si la ligne intersecte, cet endroit est marqué comme une zone d’ombre, ou une ombre magnétique.

Ce processus complet de traçage des lignes et de détection de leur point de rencontre avec la géométrie 3D détaillée de la machine était toutefois un goulet d’étranglement important, pouvant prendre environ 30 minutes pour une seule simulation. Si des géométries complexes sont impliquées, cela peut prendre encore plus longtemps.

HEAT‑ML a permis à l’équipe de surmonter cette restriction, accélérant les calculs à quelques millisecondes seulement. 

Vers le contrôle en temps réel des centrales de fusion

Le modèle HEAT‑ML utilise un réseau neuronal profond, une forme d’IA avec plusieurs couches cachées appliquées aux données pour apprendre des tâches spécifiques en reconnaissant des motifs. Dans ce cas, HEAT‑ML a été entraîné sur environ 1 000 simulations SPARC provenant de HEAT afin d’identifier les régions d’ombre.

Parce qu’il est lié à la conception spécifique du système d’échappement de SPARC, HEAT‑ML ne fonctionne que pour cette partie de ce tokamak particulier.

Ainsi, actuellement, c’est un paramètre optionnel dans le code HEAT. Mais l’équipe espère étendre les capacités de son modèle pour généraliser les calculs de masques d’ombre à tout système d’échappement, quelle que soit sa taille et sa forme, ainsi qu’à d’autres composants en contact avec le plasma à l’intérieur du tokamak.

L’échappement de puissance, selon l’étude, constitue un défi crucial pour la prochaine génération d’appareils de fusion et nécessite des solutions innovantes dans la conception et le fonctionnement du divertor. L’étude a noté :

« L’objectif ultime est d’intégrer le modèle pour le contrôle en temps réel et les décisions opérationnelles futures. » 

Investir dans l’énergie nucléaire

Le géant technologique Microsoft Corporation (MSFT ) explore activement l’énergie nucléaire et son accélération via l’IA, car il estime que cela devrait faire partie d’un mélange de sources d’énergie sans carbone. 

La directrice principale de la durabilité de Microsoft, Melanie Nakagawa, a qualifié la fusion d’investissement à long terme et a déclaré que ces dernières années, différents types de jalons ont été atteints par l’industrie, créant « beaucoup d’optimisme que cela pourrait être le moment où la fusion se concrétise réellement au cours de cette décennie, ou proche de cette décennie ».

Microsoft Corporation (MSFT )

Dans le cadre de ses objectifs de fusion, Microsoft a signé un accord révolutionnaire avec la startup privée de fusion Helion Energy en 2023. Selon cet accord, Helion fournira de l’énergie générée par fusion aux centres de données de Microsoft d’ici 2028.

Également soutenu par la branche de capital-risque de SoftBank et Sam Altman d’OpenAI, Helion a commencé la construction de sa centrale de fusion nucléaire prévue, appelée Orion, cette année, bien que les permis finaux ne soient pas encore obtenus. 

Le prototype Polaris de Helion travaille actuellement à trouver un moyen de générer plus d’énergie que ce qu’il faut pour créer et maintenir la réaction. Orion, quant à lui, selon son PDG, sera connecté aux réseaux de distribution d’électricité.

En ce qui concerne la performance boursière de Microsoft, les actions de l’entreprise, dont la capitalisation boursière s’élève à 3,86 billion de dollars, se négocient autour de 521 $, en hausse de 23,41 % depuis le début de l’année. Elle affiche un BPA (TTM) de 13,64 et un PER (TTM) de 38,25. Le rendement du dividende disponible est de 0,64 %.

Quant aux résultats financiers du trimestre se terminant le 30 juin 2025, ils ont révélé une hausse de 18 % du chiffre d’affaires à 76,4 milliards de dollars, une augmentation de 23 % du résultat d’exploitation à 34,3 milliards de dollars, et une hausse de 24 % du bénéfice net à 27,2 milliards de dollars. Le bénéfice dilué par action était de 3,65 $, en hausse de 24 %.

« Le cloud et l’IA sont la force motrice de la transformation des entreprises dans tous les secteurs et industries. »

– PDG Satya Nadella

Dernières actualités et développements des actions Microsoft Corporation (MSFT)

Conclusion

L’une des voies les plus prometteuses vers une énergie propre est la fusion, mais le chemin vers sa commercialisation est long et ardu. Cependant, l’IA s’avère être l’accélérateur qui peut enfin transformer ce rêve séculaire en réalité, bien dans notre durée de vie.

En utilisant des approches basées sur l’IA, les chercheurs travaillent à rendre les systèmes de fusion robustes et économiquement viables. De l’accélération de la recherche et la résolution des instabilités du plasma à la protection des systèmes de réacteur, l’IA peut aider à amener l’énergie nucléaire au réseau et permettre à l’humanité d’accéder à une puissance illimitée.

Cliquez ici pour découvrir à quoi ressemblerait la quatrième génération d’énergie nucléaire.

Références :

1. Degrave, J., Felici, F., Buchli, J., et al. Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602(7897), 414–419, publié le 16 février 2022. https://doi.org/10.1038/s41586-021-04301-9
2. Citrin, J., Goodfellow, I., Raju, A., Chen, J., Degrave, J., Donner, C., Felici, F., Hamel, P., Huber, A., Nikulin, D., Pfau, D., Tracey, B., Riedmiller, M., & Kohli, P. TORAX: un simulateur de transport tokamak rapide et différentiable en JAX. prépublication arXiv arXiv:2406.06718, publié le 10 juin 2024, dernière révision le 7 décembre 2024. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. Avoiding fusion plasma tearing instability with deep reinforcement learning. Nature, 626(8001), 746–751, publié le 21 février 2024. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. Prediction of performance and turbulence in ITER burning plasmas via nonlinear gyrokinetic profile prediction. Nuclear Fusion, 65(1), 016002, publié le 11 novembre 2024. https://doi.org/10.1088/1741-4326/ad8804
5. Corona, D., Scotto d’Abusco, M., Churchill, M., Munaretto, S., Kleiner, A., Wingen, A., & Looby, T. Shadow masks predictions in SPARC tokamak plasma-facing components using HEAT code and machine learning methods. Fusion Engineering and Design, 217, 115010, publié en août 2025. https://doi.org/10.1016/j.fusengdes.2025.115010