AIが融合システムをミリ秒で制御する

融合研究者は、太陽の中心よりも高温の物質を制御しようとしています。この課題は遅延決定の余地をほとんど残しません。プラズマ不安定性はミリ秒で発生する可能性がある一方で、詳細な物理シミュレーションは完了するまでに数日または数か月を要します。人間のオペレーターは目標を設定できますが、融合実験内のすべての変化に迅速に対応することはできません。

プリンストン大学とプリンストンプラズマ物理研究所の研究者による新しい研究¹は、その制御問題に対する実用的な対応策を示しています。チームはPACMAN（Prediction And Control using MAchiNe learningの略）を開発し、カリフォルニア州のDIII-Dトカマクに導入しました。PACMANは単一の狭いAIタスクを実行するのではなく、診断データを読み取り、予測を行い、コントローラを調整し、物理機器にコマンドを送信する共通フレームワークを提供します。

融合研究にはすでに強力な機械学習モデルがあります。より難しい課題は、各実験ごとに制御パイプラインを再構築せずに、それらを信頼できるリアルタイムコンポーネントに変換することです。PACMANはその欠けていた層を解決します。

融合がリアルタイムAI制御を必要とする理由

トカマクは磁場を用いて電荷を帯びたプラズマを閉じ込めます。 有用な条件を維持するには、加熱システム、磁気コイル、ガス注入その他の装置を継続的に調整する必要があります。 小さな乱れは不安定性に成長し、性能を低下させたりプラズマ放電を完全に停止させたりします。

従来のコントローラは、エンジニアが望ましい応答を事前に記述できる場合に有効です。しかし、先進的なプラズマレジームは非線形相互作用、不完全な測定、そして過度に速く変化する条件を伴い、網羅的計算には時間がかかります。機械学習はこの挙動を近似し、利用可能な時間内に回答を提供できます。

このアプローチの広範な重要性はすでに可視化されています。以前の研究ではAIは融合不安定性を予測し防止できることが示され、従来のシステムが応答する前に対処できました。PACMANは個別の予測と制御デモンストレーションから、複数のモデル、コントローラ、目的をサポートできるアーキテクチャへと拡張しました。

添付されたPPPL発表によれば、完全なフレームワークは通常約20ミリ秒で動作します。1つの実験では、機械学習モデルが約200ミリ秒前にテアリングモード不安定性を予測しました。この間隔は短く見えるかもしれませんが、オートメーションコントローラが加熱を再配分し、プラズマ条件を不安定性が確立する前に変更する時間を十分に与えます。

PACMAN融合フレームワークの動作

PACMANはリアルタイム制御を4つの連続ブロックに整理します。入力ブロックは診断測定値を収集し、その妥当性を確認します。モデルブロックは機械学習、従来のモデル、または物理ベースのモデルがそれらの入力を解釈できるようにします。コントローラブロックは予測を望ましい行動に変換します。最後に、出力ブロックは競合する要求を解決し、ハードウェア制約を適用し、承認されたコマンドをトカマクに送ります。

したがって、システムは知性と権限を分離できます。AIモデルは行動を推奨することがありますが、その出力は周囲の制御アーキテクチャを迂回しません。コマンドは依然としてアクチュエータ制限に照らして検証され、研究者は各実験の目的と構成を定義します。

フレームワークにはいくつかの実用的な安全策が含まれています:

• 入力検証は欠損または無効な診断データを検出します。
• ローパスフィルタリングは、孤立した低品質測定への反応を防止できます。
• 競合するアクチュエータ要求間で衝突処理が仲裁します。
• 出力制限はコマンドがハードウェア制約を超えないようにします。

この設計は安全性が重要なAIにとって有用な教訓を提供します。信頼性は完璧なモデルに依存する必要はありません。周囲のシステムは、モデルが不良データに遭遇したり不適切な出力を生成したりする可能性を想定し、物理機器への影響を制限します。

5つの実験がフレームワークの柔軟性を示す

研究者はDIII-Dで5つの実験アプリケーションにPACMANを使用しました。これらは同じニューラルネットワークの5つのバリエーションではありませんでした。強化学習、サバイバルモデル、リザーバーコンピューティング、モデル予測制御を組み合わせ、異なる診断とアクチュエータを使用しました。

強化学習コントローラは、加熱入力を制御してプラズマ圧力と内部輸送バリアを目標に合わせました。テアリングモードコントローラは不安定性が現れる前に電子シクロトロン加熱を再配分しました。別のモデルは、アクチュエータを直接制御せずに急激なエッジローカライズイベントを予測し、PACMANが外部コントローラとしても機能できることを示しました。

アルフェン固有モードアプリケーションは、エネルギー粒子に関連する波を分類し、応答として中性ビームパワーを調整しました。最も計算負荷の高い例では、プラズマプロファイルをより単純な潜在表現に圧縮し、モデル予測制御を用いて密度と回転を研究者が定義した目標に合わせました。

これらの実験を通じて、共有フレームワークがいかに価値があるかが示されます。各目的は異なるデータ、タイミング、ハードウェアを必要としますが、すべてのチームが診断処理、安全チェック、アクチュエータ統合を再構築する必要はありません。

本当の突破口は高速融合開発にある

PACMANは、融合発電に直面する科学的・経済的障壁を解決するものではありません。DIII-Dは研究施設であり、商業発電機ではなく、実験は純電力を示しませんでした。フレームワークはまた、ミリ秒スケールのウィンドウより速く進化する現象を制御できません。現在の実装はモデルを順次実行しますが、アーキテクチャは将来の並列実行をサポートできます。

その近い将来の価値は開発速度にあります。PPPLは、フレームワーク構築と最初のモデル導入に数か月かかり、2番目のモデル追加にはわずか数日しかかからなかったと報告しています。共有インフラストラクチャが繰り返し統合問題を処理すると、研究者はプラズマモデルの改善により多くの時間を費やし、周囲の配管を再構築する時間を減らせます。

これにより複利的な効果が生まれる可能性があります。迅速な導入はより多くの実験データを生成し、より優れたモデルとますます野心的な運用レジームをもたらします。その結果、シミュレーション、機械学習、物理実験の間でより緊密な学習ループが形成されます。

そのループは、AIと融合エネルギーの間に増大するAIと融合エネルギーの接続を説明するのに役立ちます。AIはデータセンターを通じて電力需要を増加させる可能性がありますが、新しいエネルギーシステムの開発におけるエンジニアリングツールとしても機能しています。融合においては、その価値は材料の発見や実験後の結果分析に限定されず、機械の制御に直接参加することができます。

実験ソフトウェアから炉インフラへ

次のステップは、PACMANの設計原則が他の装置に転移できるかどうかを判断することです。トカマクはその幾何学、診断装置、アクチュエータ、制御システムが異なります。再利用可能な概念アーキテクチャは、すべての施設でソフトウェアを自動的に移植可能にするわけではありません。

それでも、フレームワークは将来の炉で重要になる可能性のある要素を特定します：標準化された入力、相互に置き換え可能なモデル、明示的なコントローラ境界、アクチュエータ仲裁、およびAIモデル外での安全強制。商用システムは、冗長性、サイバーセキュリティ、機器障害時の予測可能な応答も必要とします。

研究者はマルチスレッドを導入し、より高速な推論のためにGPUまたはフィールドプログラマブルゲートアレイを検討する予定です。重要な指標は単なるモデル速度だけではありません。データ取得、検証、意思決定、アクチュエーションを含むエンドツーエンドのレイテンシが、コントローラが時間内に介入できるかどうかを決定します。

Alphabetを通じたAI搭載融合への投資

AIと融合研究の融合に公募市場でのエクスポージャーを求める投資家にとって、Alphabet Inc (GOOG ) 関連性はあるものの間接的な選択肢を提供します。Googleは10年以上にわたり民間融合開発者TAE Technologiesと協力し、プラズマ再構築、最適化、炉設計に機械学習を適用しています。GoogleはTAEの2025年資金調達ラウンドにも参加しました。

Googleの貢献は資本を超えています。研究者は融合エンジニアと協力してプラズマ挙動を解釈し、機械の複雑さを軽減しました。2025年、Googleは共同プラズマ再構築作業がTAEの融合機械を簡素化し再構築するのに役立ったと述べました。Alphabetは、計画施設が商業運転に達した場合、Commonwealth Fusion Systemsから電力を購入することにも合意しています。

これによりAlphabetが融合専業企業になるわけではありません。融合は現在、広告、クラウドコンピューティング、デジタルサービスで支配される企業の中で小さく投機的な部分を占めています。TAEはDIII-Dで採用されているトカマク構成ではなく、フィールドリバースド構成を使用しています。それでも、GoogleのTAE TechnologiesとのAI協力は、将来の電力顧客になるのではなく、セクターに技術的能力を提供していることを示しています。

AIは融合機械の一部となっている

PACMANは、単一のAIモデルが不安定性を予測できるかどうかという議論を超えて進めます。より重要な質問は、多数の予測・制御システムが一緒に動作し、ハードウェアと相互作用し、執行可能な安全規則によって制限され続けるかどうかです。

DIII-Dの実験は、この統合問題が解決可能であることを示唆しています。PACMANは5つの異なるアプリケーションを受け入れ、ミリ秒単位で意思決定を行い、全制御システムを再設計せずに新しいモデルを追加する道を提供しました。実験的インフラストラクチャであるものの、インフラは孤立した突破口を再現可能な進歩に変えるものです。

商業融合は依然としてプラズマ性能、材料、燃料サイクル、保守、プラント経済性の進歩を必要とします。リアルタイムAI制御はそれらの成果を置き換えるものではありません。しかし、炉内でそれらが協調して機能する層になる可能性があります。

参考文献：

^{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). DIII-Dで統合AI制御を可能にする：最先端実験を備えた制御システム設計。Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}