AI Mengendalikan Sistem Fusi dalam Milidetik

Peneliti fusi berusaha mengendalikan materi pada suhu yang lebih panas daripada inti Matahari. Tantangan itu hampir tidak memberi ruang untuk keputusan yang tertunda. Ketidakstabilan plasma dapat berkembang dalam milidetik, sementara simulasi fisika yang detail mungkin memerlukan hari atau bulan untuk diselesaikan. Operator manusia dapat menetapkan tujuan, tetapi mereka tidak dapat bereaksi secara manual cukup cepat terhadap setiap perubahan dalam percobaan fusi.

Studi baru¹ dari peneliti di Princeton University dan Princeton Plasma Physics Laboratory menggambarkan respons praktis terhadap masalah kontrol tersebut. Tim mengembangkan PACMAN, singkatan dari Prediction And Control using MAchiNe learning, dan menerapkannya pada tokamak DIII‑D di California. Alih-alih melakukan satu tugas AI yang sempit, PACMAN menyediakan kerangka kerja bersama di mana berbagai model dapat membaca data diagnostik, membuat prediksi, mengoordinasikan pengendali, dan mengirim perintah ke peralatan fisik.

Penelitian fusi sudah memiliki model pembelajaran mesin yang kuat. Masalah yang lebih sulit adalah mengubahnya menjadi komponen real‑time yang dapat diandalkan tanpa membangun ulang jalur kontrol untuk setiap percobaan. PACMAN menangani lapisan yang hilang itu.

Mengapa Fusi Membutuhkan Kontrol AI Real‑Time

Tokamak menahan plasma bermuatan listrik dengan menggunakan medan magnet. Mempertahankan kondisi yang berguna memerlukan penyesuaian terus‑menerus pada sistem pemanasan, kumparan magnet, injeksi gas, dan peralatan lainnya. Gangguan kecil dapat berkembang menjadi ketidakstabilan yang mengurangi kinerja atau menghentikan pelepasan plasma sepenuhnya.

Pengendali tradisional tetap efektif ketika insinyur dapat menggambarkan respons yang diinginkan sebelumnya. Namun, rejim plasma lanjutan melibatkan interaksi nonlinier, pengukuran yang tidak lengkap, dan kondisi yang berubah terlalu cepat untuk perhitungan menyeluruh. Pembelajaran mesin dapat memperkirakan perilaku ini dan memberikan jawaban dalam waktu yang tersedia.

Pentingnya pendekatan ini sudah terlihat. Penelitian sebelumnya menunjukkan bahwa AI dapat memprediksi dan mencegah ketidakstabilan fusi sebelum sistem konvensional merespons. PACMAN memperluas konsep tersebut dari demonstrasi prediksi dan kontrol tunggal menjadi sebuah arsitektur yang dapat mendukung beberapa model, pengendali, dan tujuan.

Menurut pengumuman PPPL yang menyertainya, kerangka kerja lengkap biasanya berjalan dalam kira‑kira 20 milidetik. Dalam satu percobaan, sebuah model pembelajaran mesin memperkirakan ketidakstabilan tearing‑mode sekitar 200 milidetik sebelumnya. Interval itu mungkin tampak singkat, tetapi memberikan cukup waktu bagi pengendali otomatis untuk mengalihkan pemanasan dan mengubah kondisi plasma sebelum ketidakstabilan terbentuk.

Cara Kerja Kerangka PACMAN untuk Fusi

PACMAN mengatur kontrol real‑time menjadi empat blok berurutan. Blok input mengumpulkan pengukuran diagnostik dan memeriksa keabsahannya. Blok model memungkinkan pembelajaran mesin, model konvensional, atau model berbasis fisika untuk menginterpretasikan input tersebut. Blok pengendali menerjemahkan prediksi menjadi tindakan yang diinginkan. Akhirnya, blok output menyelesaikan permintaan yang bersaing, menerapkan batasan perangkat keras, dan mengirimkan perintah yang disetujui ke tokamak.

Sistem ini sehingga dapat memisahkan kecerdasan dari otoritas. Sebuah model AI dapat merekomendasikan suatu tindakan, tetapi outputnya tidak melewati arsitektur kontrol di sekitarnya. Perintah tetap diperiksa terhadap batas aktuator, dan peneliti menentukan tujuan serta konfigurasi untuk setiap percobaan.

The framework includes several practical safeguards:

• Validasi input mengidentifikasi data diagnostik yang hilang atau tidak valid.
• Penyaringan low‑pass dapat mencegah reaksi terhadap pengukuran buruk yang terisolasi.
• Penanganan konflik menengahi antara permintaan aktuator yang bersaing.
• Batas output mencegah perintah melebihi batas perangkat keras.

Desain ini menawarkan pelajaran berguna untuk AI yang kritis terhadap keselamatan: keandalan tidak harus bergantung pada model yang tak terkalahkan. Sistem di sekitarnya dapat mengasumsikan bahwa model akan menemui data buruk atau menghasilkan output yang tidak cocok, kemudian membatasi pengaruhnya atas peralatan fisik.

Lima Eksperimen Menunjukkan Fleksibilitas Kerangka

Para peneliti menggunakan PACMAN dalam lima aplikasi eksperimental di DIII‑D. Ini bukan lima variasi dari jaringan saraf yang sama. Mereka mencakup pembelajaran penguatan, model kelangsungan hidup, komputasi reservoir, dan kontrol prediktif model, dipasangkan dengan diagnostik dan aktuator yang berbeda.

Pengendali pembelajaran penguatan mengelola masukan pemanasan untuk menargetkan tekanan plasma dan penghalang transport internal. Pengendali tearing‑mode mengalihkan pemanasan siklotron elektron sebelum ketidakstabilan muncul. Model lain memprediksi peristiwa tepi‑lokal yang tiba‑tiba tanpa mengendalikan aktuator secara langsung, menunjukkan bahwa PACMAN juga dapat menyediakan pengendali eksternal.

Aplikasi Alfvén eigenmode mengklasifikasikan gelombang yang terkait dengan partikel energetik dan menyesuaikan daya neutral-beam sebagai respons. Contoh yang paling menuntut secara komputasi mengompresi profil plasma menjadi representasi laten yang lebih sederhana dan menggunakan kontrol prediktif model untuk menyesuaikan densitas serta rotasi menuju target yang ditetapkan peneliti.

Bersama-sama, eksperimen ini menunjukkan mengapa kerangka kerja bersama sangat berharga. Setiap tujuan memerlukan data, waktu, dan perangkat keras yang berbeda, tetapi setiap tim tidak perlu membuat ulang penanganan diagnostik, pemeriksaan keselamatan, dan integrasi aktuator.

Terobosan Sebenarnya Adalah Pengembangan Fusi yang Lebih Cepat

PACMAN tidak menyelesaikan hambatan ilmiah dan ekonomi yang dihadapi tenaga fusi. DIII‑D adalah fasilitas penelitian, bukan pembangkit komersial, dan percobaan tersebut tidak menunjukkan listrik bersih. Kerangka kerja juga tidak dapat mengendalikan fenomena yang berkembang lebih cepat daripada jendela skala milidetiknya. Implementasi saat ini mengeksekusi model secara berurutan, meskipun arsitekturnya dapat mendukung eksekusi paralel di masa depan.

Nilai jangka pendeknya justru terletak pada kecepatan pengembangan. PPPL melaporkan bahwa membangun kerangka kerja dan memasang model pertama memakan waktu berbulan‑bulan, sementara menambahkan model kedua hanya memerlukan beberapa hari. Setelah infrastruktur bersama menangani masalah integrasi berulang, peneliti dapat menghabiskan lebih banyak waktu untuk meningkatkan model plasma dan lebih sedikit waktu untuk membangun kembali infrastruktur di sekitarnya.

Hal ini dapat menciptakan efek berlipat ganda. Penyebaran yang lebih cepat menghasilkan lebih banyak data eksperimental, model yang lebih baik, dan rejim operasi yang semakin ambisius. Hasilnya adalah loop pembelajaran yang lebih ketat antara simulasi, pembelajaran mesin, dan percobaan fisik.

Loop tersebut membantu menjelaskan koneksi yang semakin berkembang antara AI dan energi fusi. AI dapat meningkatkan permintaan listrik melalui pusat data, tetapi juga menjadi alat rekayasa untuk mengembangkan sistem energi baru. Dalam fusi, nilainya tidak terbatas pada penemuan material atau analisis hasil setelah percobaan. AI dapat berpartisipasi secara langsung dalam mengendalikan mesin.

Dari Perangkat Lunak Eksperimental ke Infrastruktur Reaktor

Langkah selanjutnya adalah menentukan apakah prinsip desain PACMAN dapat diterapkan pada mesin lain. Tokamak berbeda dalam geometri, diagnostik, aktuator, dan sistem kontrolnya. Arsitektur konseptual yang dapat digunakan kembali tidak otomatis membuat perangkat lunak dapat dipindahkan ke setiap fasilitas.

Namun demikian, kerangka kerja mengidentifikasi elemen yang kemungkinan penting dalam reaktor masa depan: masukan standar, model yang dapat dipertukarkan, batasan pengendali yang eksplisit, arbitrase aktuator, dan penegakan keselamatan di luar model AI. Sistem komersial juga akan memerlukan redundansi, keamanan siber, dan respons yang dapat diprediksi ketika peralatan gagal.

Para peneliti berencana memperkenalkan multithreading dan mengeksplorasi GPU atau field‑programmable gate array untuk inferensi yang lebih cepat. Metri kritis bukan hanya kecepatan model mentah. Latensi end‑to‑end, termasuk akuisisi data, validasi, keputusan, dan aksi, menentukan apakah pengendali dapat campur tangan tepat waktu.

Berinvestasi dalam Fusi Berbasis AI melalui Alphabet

Bagi investor yang mencari eksposur pasar publik terhadap konvergensi AI dan penelitian fusi, Alphabet Inc (GOOG ) menawarkan opsi yang relevan, meskipun tidak langsung. Google telah berkolaborasi dengan pengembang fusi swasta TAE Technologies selama lebih dari satu dekade, menerapkan pembelajaran mesin pada rekonstruksi plasma, optimasi, dan desain reaktor. Google juga berpartisipasi dalam putaran pembiayaan TAE tahun 2025.

Kontribusi Google melampaui modal. Penelitinya telah bekerja dengan insinyur fusi untuk menginterpretasikan perilaku plasma dan mengurangi kompleksitas mesin. Pada tahun 2025, Google menyatakan bahwa kerja bersama dalam rekonstruksi plasma membantu TAE menyederhanakan dan membangun kembali mesin fusi mereka. Alphabet juga telah menyetujui untuk membeli listrik dari Commonwealth Fusion Systems jika fasilitas yang direncanakan mencapai operasi komersial.

Hal ini tidak menjadikan Alphabet sebagai perusahaan murni fusi. Saat ini, fusi merupakan bagian kecil dan spekulatif dari perusahaan yang didominasi oleh periklanan, komputasi awan, dan layanan digital. TAE juga menggunakan konfigurasi field‑reversed daripada arsitektur tokamak yang digunakan di DIII‑D. Namun, kolaborasi AI Google dengan TAE Technologies menunjukkan bahwa Google memberikan kemampuan teknis ke sektor tersebut daripada menunggu menjadi pelanggan listrik di masa depan.

AI Menjadi Bagian dari Mesin Fusi

PACMAN mengalihkan diskusi melampaui pertanyaan apakah satu model AI dapat memprediksi ketidakstabilan. Pertanyaan yang lebih penting adalah apakah banyak sistem prediksi dan kontrol dapat beroperasi bersama, berinteraksi dengan perangkat keras, dan tetap terikat pada aturan keselamatan yang dapat ditegakkan.

Percobaan DIII‑D menunjukkan bahwa masalah integrasi ini dapat diselesaikan. PACMAN menampung lima aplikasi yang berbeda, membuat keputusan dalam skala waktu milidetik, dan menyediakan jalur untuk menambahkan model baru tanpa merancang ulang seluruh sistem kontrol. Ini tetap menjadi infrastruktur eksperimental, tetapi infrastrukturlah yang tepat untuk mengubah terobosan terisolasi menjadi kemajuan yang dapat diulang.

Fusi komersial masih memerlukan kemajuan dalam kinerja plasma, material, siklus bahan bakar, pemeliharaan, dan ekonomi pembangkit. Kontrol AI real‑time tidak akan menggantikan pencapaian tersebut. Namun, ia dapat menjadi lapisan yang memungkinkan semuanya bekerja bersama di dalam reaktor.

Referensi:

^{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). Mengaktifkan kontrol AI terintegrasi pada DIII-D: Desain sistem kontrol dengan eksperimen mutakhir. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}