L’IA prende il controllo dei sistemi di fusione in millisecondi

I ricercatori di fusione stanno cercando di controllare la materia a temperature più calde del centro del Sole. Questa sfida lascia quasi nessuno spazio per decisioni ritardate. Un’instabilità del plasma può svilupparsi in millisecondi, mentre una simulazione fisica dettagliata può richiedere giorni o mesi per essere completata. Gli operatori umani possono impostare gli obiettivi, ma non possono reagire manualmente abbastanza rapidamente a ogni cambiamento all’interno di un esperimento di fusione.

Un nuovo studio¹ di ricercatori della Princeton University e del Princeton Plasma Physics Laboratory descrive una risposta pratica a quel problema di controllo. Il team ha sviluppato PACMAN, abbreviazione di Prediction And Control using MAchiNe learning, e lo ha implementato sul tokamak DIII-D in California. Invece di eseguire un singolo compito di IA limitato, PACMAN fornisce un quadro comune attraverso il quale diversi modelli possono leggere i dati diagnostici, fare previsioni, coordinare i controllori e inviare comandi alle apparecchiature fisiche.

La ricerca sulla fusione dispone già di potenti modelli di apprendimento automatico. Il problema più difficile è trasformarli in componenti affidabili in tempo reale senza ricostruire la catena di controllo per ogni esperimento. PACMAN affronta quel livello mancante.

Perché la fusione richiede un controllo IA in tempo reale

Un tokamak confina il plasma elettricamente carico usando campi magnetici. Mantenere condizioni utili richiede aggiustamenti continui ai sistemi di riscaldamento, alle bobine magnetiche, all’iniezione di gas e ad altre apparecchiature. Piccole perturbazioni possono trasformarsi in instabilità che riducono le prestazioni o terminano completamente la scarica del plasma.

I controller tradizionali rimangono efficaci quando gli ingegneri possono descrivere in anticipo la risposta desiderata. Tuttavia, i regimi di plasma avanzati coinvolgono interazioni non lineari, misurazioni incomplete e condizioni che cambiano troppo rapidamente per calcoli esaustivi. L’apprendimento automatico può approssimare questo comportamento e fornire una risposta entro il tempo disponibile.

L’importanza più ampia di questo approccio è già evidente. Ricerche precedenti hanno dimostrato che l’IA può prevedere e prevenire le instabilità della fusione prima che i sistemi convenzionali rispondano. PACMAN estende il concetto da una dimostrazione individuale di previsione e controllo a un’architettura capace di supportare diversi modelli, controller e obiettivi.

Secondo l’annuncio PPPL allegato, l’intero framework tipicamente funziona in circa 20 millisecondi. In un esperimento, un modello di apprendimento automatico ha anticipato un’instabilità di tipo tearing-mode circa 200 millisecondi in anticipo. Questo intervallo può sembrare breve, ma fornisce a un controller automatizzato tempo sufficiente per reindirizzare il riscaldamento e modificare le condizioni del plasma prima che l’instabilità si stabilizzi.

Come funziona il framework di fusione PACMAN

PACMAN organizza il controllo in tempo reale in quattro blocchi consecutivi. Il blocco di input raccoglie le misurazioni diagnostiche e ne verifica la validità. Il blocco modello consente a modelli di apprendimento automatico, convenzionali o basati sulla fisica, di interpretare tali input. Il blocco controller traduce le previsioni in azioni desiderate. Infine, il blocco di output risolve le richieste concorrenti, applica i vincoli hardware e trasmette i comandi approvati al tokamak.

Il sistema può quindi separare l’intelligenza dall’autorità. Un modello IA può raccomandare un’azione, ma il suo output non bypassa l’architettura di controllo circostante. I comandi sono comunque verificati rispetto ai limiti degli attuatori, e i ricercatori definiscono gli obiettivi e la configurazione per ogni esperimento.

Il framework include diverse salvaguardie pratiche:

• La convalida dell’input identifica dati diagnostici mancanti o non validi.
• Il filtraggio passa-basso può impedire reazioni a misurazioni isolate di scarsa qualità.
• La gestione dei conflitti arbitra tra richieste di attuatori concorrenti.
• I limiti di output impediscono che i comandi superino i vincoli hardware.

Questo design offre una lezione utile per l’IA critica per la sicurezza: l’affidabilità non deve dipendere da un modello infallibile. Il sistema circostante può presumere che i modelli incontreranno dati errati o produrranno output non idonei, quindi limitare la loro influenza sulle apparecchiature fisiche.

Cinque esperimenti mostrano la flessibilità del framework

I ricercatori hanno utilizzato PACMAN in cinque applicazioni sperimentali su DIII-D. Non si trattava di cinque variazioni della stessa rete neurale. Hanno incluso apprendimento per rinforzo, modelli di sopravvivenza, reservoir computing e controllo predittivo basato su modello, abbinati a diverse diagnostiche e attuatori.

Il controller di apprendimento per rinforzo ha gestito gli input di riscaldamento per mirare alla pressione del plasma e alle barriere di trasporto interno. Il controller tearing-mode ha reindirizzato il riscaldamento a ciclotrone elettronico prima che comparisse un’instabilità. Un altro modello ha previsto eventi improvvisi localizzati al bordo senza controllare direttamente un attuatore, dimostrando che PACMAN può anche fornire un controller esterno.

L’applicazione Alfvén eigenmode ha classificato le onde associate a particelle energetiche e ha regolato la potenza del fascio neutro in risposta. L’esempio più impegnativo dal punto di vista computazionale ha compresso i profili del plasma in una rappresentazione latente più semplice e ha utilizzato il controllo predittivo basato su modello per regolare densità e rotazione verso obiettivi definiti dai ricercatori.

Insieme, questi esperimenti mostrano perché un framework condiviso è prezioso. Ogni obiettivo richiede dati, tempi e hardware diversi, ma ogni team non dovrebbe dover ricreare la gestione diagnostica, i controlli di sicurezza e l’integrazione degli attuatori.

Il vero punto di svolta è lo sviluppo più rapido della fusione

PACMAN non risolve le barriere scientifiche ed economiche che ostacolano l’energia da fusione. DIII-D è una struttura di ricerca, non un generatore commerciale, e gli esperimenti non hanno dimostrato produzione netta di elettricità. Il framework inoltre non può controllare fenomeni che evolvono più rapidamente della sua finestra di millisecondi. La sua implementazione attuale esegue i modelli in serie, sebbene l’architettura possa supportare future esecuzioni parallele.

Il suo valore a breve termine risiede invece nella velocità di sviluppo. PPPL riferisce che costruire il framework e installare il primo modello ha richiesto mesi, mentre aggiungere il secondo modello ha richiesto solo giorni. Una volta che l’infrastruttura condivisa gestisce i problemi ricorrenti di integrazione, i ricercatori possono dedicare più tempo al miglioramento dei modelli di plasma e meno tempo a ricostruire la “tuberia” intorno ad essi.

Ciò potrebbe creare un effetto di composizione. Un’implementazione più rapida produce più dati sperimentali, modelli migliori e regimi operativi sempre più ambiziosi. Il risultato è un ciclo di apprendimento più stretto tra simulazione, apprendimento automatico ed esperimenti fisici.

Quel ciclo aiuta a spiegare il crescente collegamento tra IA e energia da fusione. L’IA può aumentare la domanda di elettricità attraverso i data center, ma sta anche diventando uno strumento ingegneristico per sviluppare nuovi sistemi energetici. Nella fusione, il suo valore non si limita alla scoperta di materiali o all’analisi dei risultati dopo un esperimento. Può partecipare direttamente al controllo della macchina.

Dal software sperimentale all’infrastruttura del reattore

Il prossimo passo sarà determinare se i principi di progettazione di PACMAN si trasferiscono ad altre macchine. I tokamak differiscono per geometria, diagnostica, attuatori e sistemi di controllo. Un’architettura concettuale riutilizzabile non rende automaticamente il software portabile in ogni struttura.

Tuttavia, il framework identifica elementi che probabilmente saranno rilevanti nei futuri reattori: input standardizzati, modelli intercambiabili, confini espliciti del controller, arbitraggio degli attuatori e applicazione della sicurezza al di fuori del modello IA. I sistemi commerciali richiederanno anche ridondanza, cybersicurezza e risposte prevedibili quando le apparecchiature falliscono.

I ricercatori prevedono di introdurre il multithreading e di esplorare GPU o circuiti integrati a campo programmabile per un’inferenza più veloce. La metrica critica non sarà solo la velocità grezza del modello. La latenza end-to-end, inclusa l’acquisizione dei dati, la convalida, le decisioni e l’attuazione, determina se un controller può intervenire in tempo.

Investire nella fusione abilitata dall’IA tramite Alphabet

Per gli investitori che cercano esposizione al mercato pubblico della convergenza tra IA e ricerca sulla fusione, Alphabet Inc (GOOG ) offre un’opzione pertinente, sebbene indiretta. Google ha collaborato con lo sviluppatore privato di fusione TAE Technologies per più di un decennio, applicando l’apprendimento automatico alla ricostruzione del plasma, all’ottimizzazione e alla progettazione del reattore. Google ha anche partecipato al round di finanziamento del 2025 di TAE.

Il contributo di Google va oltre il capitale. I suoi ricercatori hanno collaborato con ingegneri della fusione per interpretare il comportamento del plasma e ridurre la complessità della macchina. Nel 2025, Google ha dichiarato che il lavoro congiunto di ricostruzione del plasma ha aiutato TAE a semplificare e ricostruire la sua macchina di fusione. Alphabet ha anche accettato di acquistare energia da Commonwealth Fusion Systems se la sua struttura pianificata raggiungerà l’operatività commerciale.

Ciò non rende Alphabet un’azienda puramente focalizzata sulla fusione. Attualmente la fusione rappresenta una piccola e speculativa parte di una società dominata da pubblicità, cloud computing e servizi digitali. TAE utilizza anche una configurazione a campo invertito anziché l’architettura tokamak impiegata su DIII-D. Tuttavia, la collaborazione IA di Google con TAE Technologies dimostra che sta contribuendo con capacità tecniche al settore anziché attendere di diventare un futuro cliente di energia.

L’IA sta diventando parte della macchina di fusione

PACMAN sposta la discussione oltre il semplice fatto se un modello IA possa prevedere un’instabilità. La questione più rilevante è se molti sistemi predittivi e di controllo possano operare insieme, interagire con l’hardware e rimanere vincolati da regole di sicurezza applicabili.

Gli esperimenti su DIII-D suggeriscono che questo problema di integrazione sia risolvibile. PACMAN ha gestito cinque applicazioni distinte, ha preso decisioni su scala di millisecondi e ha fornito una via per aggiungere nuovi modelli senza ridisegnare l’intero sistema di controllo. Rimane un’infrastruttura sperimentale, ma è proprio l’infrastruttura che trasforma le scoperte isolate in progressi ripetibili.

La fusione commerciale richiede ancora progressi nelle prestazioni del plasma, nei materiali, nei cicli di carburante, nella manutenzione e nell’economia degli impianti. Il controllo IA in tempo reale non sostituirà tali risultati. Tuttavia, potrebbe diventare lo strato che permette loro di lavorare insieme all’interno di un reattore.

Riferimenti:

^{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). Abilitare il controllo IA integrato su DIII-D: un progetto di sistema di controllo con esperimenti all’avanguardia. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}