AIで核融合をマスターし、無限のクリーンエネルギーを解き放つ

化石燃料が急速に枯渇し、気候変動が悪化する中、私たちは重要なクリーンエネルギーの必要性に直面しています。 

再生可能エネルギーは有望な代替手段を提供しますが、独自の課題として、エネルギー貯蔵の制限、電力網統合の複雑さ、初期コストの高さ、そして太陽光や風力のような一部のエネルギー源の間欠的な性質があります。さらに、土地利用、政策上の障壁、堅牢なインフラの必要性も大きなハードルとなります。 

ここが核エネルギーがゲームを変える場所です。 核エネルギーは、陽子と中性子からなる原子の正電荷の中心核から放出されるエネルギー形態です。 

国際エネルギー機関（IEA）によると、核電力は約10%世界の電力生成の割合です。 

しかし、排出ゼロの電力を生み出す能力があるにもかかわらず、巨額の初期費用、長いリードタイム、納期遅延の実績が核エネルギーの採用を制限しているとIEAは指摘しています。しかし、世界中で新たな勢いが高まっており、中国、ヨーロッパ、インド、日本、韓国で商業運転を開始する原子炉が登場し、核エネルギーの新時代を開く可能性があります。

現在、このエネルギー源を生産する方法は2つあります:

• 核融合
• 核分裂

核分裂は重い原子の核が小さく分割されるプロセスです。核融合は軽い原子の核が結合して重い核を形成するプロセスです。どちらも莫大なエネルギーを放出します。

現在、大規模な電力生成に使用されているのは核分裂だけですが、今日の焦点は核融合にあります。

まだ研究開発段階にある核融合は、世界のエネルギー生産への寄与は極めて少ないものの、将来に向けて巨大な可能性を秘めています。実際、プロセス中に二酸化炭素やその他有害な排出物が発生しないため、最も環境に優しいエネルギー源の一つです。

核融合発電所からのゼロカーボン電力は、天候や昼夜に関係なく継続的に供給できます。核分裂とは異なり、核融合は潜在的に破滅的なメルトダウンや長期にわたる放射性核廃棄物を生成しません。

核融合は温室効果ガス（GHG）排出に寄与しないだけでなく、燃料となる水素（重水素用）とリチウム（トリチウム用）という二つの主要燃料も広く入手可能です。

このような背景の中、核融合は何百万年もの間人類のエネルギー需要を満たすと期待されており、世界各国が実現に向けて積極的に取り組んでいます。 

核エネルギーのビジョンと現実の間にある障壁

1915年にアメリカの化学者ウィリアム・ドレーパー・ハーキンスが核融合の概念を初めて提案しました。しかし、実質的に達成するには至っていません。 

融合反応は実際には星々、特に太陽のような巨大な熱ガス球の根本的なエネルギー源です。熱核融合と呼ばれるこのプロセスが、何百万年もの間、太陽や星々を輝かせてきました。

熱核融合では、原子核が極めて高温、摂氏1,000万度から1億度の環境で結合し、二つの核の相互電気反発を克服するエネルギーを得ます。その後、単一の核に融合し、かなりのエネルギーを放出します。

太陽の巨大な重力がここで重要な役割を果たし、極端な圧力と熱、そして融合に必要な条件を生み出します。重力がなければ、太陽は十分に高温・高密度にならず、融合は起こりません。 

地球上で核融合を実現するには、圧倒的な重力なしで軽い同位体を反応炉に入れ、数億度の高温に加熱してイオン化された「プラズマ」に変える必要があります。

プラズマは正イオンと自由に動く電子からなる帯電ガスです。極めて高温で制御が難しく、逃げ出さないように磁場が必要です。

科学者は核融合の条件を日常的に達成できるようになりましたが、プラズマの安定性と改善された閉じ込め特性は、反応を維持し持続的にエネルギーを生成するためにまだ実現されていません。

例えば、2022年後半に数十億ドル規模の核融合実験が、点火に使用されたレーザーエネルギーよりも多くのエネルギーを放出する微小同位体サンプルを得ましたが、持続時間は約0.1ナノ秒に過ぎませんでした。

したがって、核融合は非常に挑戦的なプロセスであり、極端な高温と高圧が必要です。

次に、プラズマを安定させ、反応炉の壁に触れさせず、熱損失を最小化する必要があり、反応を持続させるのが困難です。工学的には、トカマク（ドーナツ形の一般的な核融合炉）内でプラズマを閉じ込める大型で強力な超伝導磁石や、極めて低圧を実現・維持する高度な真空システムが必要です。

さらに、高温・高熱流束・激しい中性子放射に耐えうる材料が必要です。これらの課題に対処するため、科学者は人工知能（AI）に目を向けています。 

AIは核融合の研究開発を加速する上でますます重要な役割を果たしています。機械学習やその他のAIアルゴリズムを活用することで、研究者は反応炉設計の最適化、根本的な測定誤差の検出と修正、材料発見の加速、プラズマ乱れの予測と防止、プラズマ状態の制御、そして融合反応の効率と安定性の向上を実現しています。

膨大な複雑データと融合プロセスのさまざまな側面間の緻密な関係を処理することで、AIは我々の理解をさらに深め、新しい反応炉設計の開発を加速し、開発期間を大幅に短縮して核エネルギーの商業化への道を切り開きます。

AIが核融合の物理的障壁を克服する手助け

AIはエネルギー分野を含む産業を急速に変革しており、炭素フリーで無限の核エネルギーを実現することで、世界的なエネルギー危機の解決に貢献しています。 

この点に関して、Google DeepMindは深層強化学習（RL）を用いてトカマク内のプラズマを成功裏に制御し、正確に異なる形状に形成しました¹。RLシステムの開発には、EPFLのスイスプラズマセンターと協力しました。このシステムは、トカマクを取り巻く磁気コイルの制御方法とプラズマの閉じ込め方を自律的に発見します。

昨年、同社はTORAX²というプラズマシミュレータをリリースしました。これはプラズマの「コア」をモデル化し、温度、密度、電流の変化を予測します。 

昨年初め、プリンストン大学のチームはRLを使用して、融合プラズマに現れる前の最大300ミリ秒までの主要な乱れ形態を予測しました。「ティアリングモード不安定性」と呼ばれ、プラズマ内部の磁場線が切断されて逃げ出し、融合プロセスが停止する現象です。 

これらの不安定性は、「十分なエネルギーを生成するために必要な高出力で核融合反応を実行しようとするにつれて、さらに顕著になる」と、韓国・中央大学の物理学助教授で第一著者のソ・ジェミン氏は述べました。「これは我々が解決すべき重要な課題です。」

彼らのAIモデルは潜在的なティアリングモード不安定性を事前に予測し³、プラズマの磁場線内でのティアリングを回避するために特定の運転パラメータを変更します。

過去の実験データで訓練されたこのモデルは、高出力反応を維持することを目標とし、ティアリングモード不安定性など回避すべき条件と、これらの結果を得るために調整できるダイヤルが与えられます。時間とともに、AIモデルは「最適な経路」を学習し、不安定性を回避しながら高出力目標を持続させます。

「過去の実験から学習し、物理ベースのモデルから情報を取り入れるのではなく、AIは実際の反応炉でリアルタイムに安定した高出力プラズマ状態を支える最終的な制御ポリシーを開発できました。」

– 研究リーダー エゲメン・コレメン

モデルが無数のシミュレーション融合実験を実行して経路を見つける間、チームは背後でその「意図」を観察し、行動を洗練させ、AIがやりたいこととトカマクが受け入れられることの間の仲裁者として機能しました。

エンジニア、物理学者、データサイエンティストからなるチームは、サンディエゴのDIII-D国立融合施設で実験にモデルをテストし、実証しました。

そして、今年初めに、MITプラズマ科学融合センター（PSFC）の主任研究科学者ナサン・ハワードが執筆した研究論文「ITER燃焼プラズマにおける性能と乱流の予測：非線形ジャイロキネティックプロファイル予測⁴」が発表されました。

ハワードと彼のチームは、機械学習とシミュレーションを用いて、融合装置内でプラズマがどのように振る舞うかを予測しました。 

“論文では、乱流の高解像度シミュレーションが、現在フランス南部で建設中の世界最大の実験的融合装置であるITERトカマクが、運転開始時（少なくとも2035年以降）に期待通りに機能することを確認したと説明しています。

シナリオを検証するため、チームはCGYROという時間のかかるプログラムを使用しました。これは、特定の運転条件に複雑なプラズマ物理モデルを適用し、融合装置内のさまざまな位置でのプラズマ挙動に関する詳細なシミュレーションを生成します。

その後、シミュレーションはPORTALSフレームワークを通じて実行されました。このフレームワークは高忠実度の実行結果を取り、機械学習を用いて「代替モデル」を構築します。代替モデルは「より複雑な実行結果を模倣できるが、はるかに高速です。」

研究者らは、PORTALSのような高忠実度モデリングツールは「プラズマコアが形成される前の姿を垣間見ることができる」と指摘しました。この予測優先アプローチにより、ITERのような装置でより効率的なプラズマを作り出すことが可能になります。

チームは、同じエネルギー出力を得ながらも、エネルギー入力を削減できる異なる運転設定も実証しました。

Swipe to scroll →

HEAT-MLで核融合のシャドウをマッピングする 

新しいAIアプローチが、プラズマの極端な熱から融合反応炉内部を保護するために現在使用されています。この新手法は、融合容器内の「磁気シャドウ」を見つけるために必要な計算速度を加速しています。

これらのシャドウは、激しいプラズマ熱から保護された安全な避難所です。

トカマク内部の熱課題

前述したように、磁場でトカマク内にプラズマを閉じ込めると、プラズマからの熱は太陽のコアよりも高温に達します。融合を利用するためには、この熱を制御する必要があります。

プリンストン・プラズマ物理研究所（PPPL）の准研究物理学者ドメニカ・コロナ・リベラによると：

「トカマクのプラズマ面コンポーネントは非常に熱いプラズマと接触し、溶けたり損傷したりする可能性があります。最悪の場合、運転を停止せざるを得なくなります。」

この問題を克服するため、研究者はトカマク内で熱がどこに当たるかを予測する計算を高速化できるAIを活用しています。

HEAT計算を大幅に高速化することで、モデルは分散器保護と制御アクションのリアルタイム応用の可能性を実現します。

融合イノベーションを推進する協働

PPL、米エネルギー省（DOE）のオークリッジ国立研究所、そしてMITからスピンアウトした融合電力会社Commonwealth Fusion Systems（CFS）との官民パートナーシップにより、ARCトカマク設計に基づく小型融合発電所の建設を目指すこの新しいAIアプローチ「HEAT-ML」が生まれました。

機械学習ベースの代替モデル（HEAT-ML）は、最新の研究「HEATコードと機械学習手法を用いたSPARCトカマクプラズマ面コンポーネントにおけるシャドウマスク予測」で詳述されています。⁵

HEAT-MLは、将来の融合システム設計を加速するソフトウェアの基盤を築くとともに、プラズマを調整して問題が発生する前に防止し、適切な意思決定を可能にすることを目指しています。

「この研究は、既存のコードを取り、AI代替モデルを作成することで有用な回答を得る速度を向上させ、制御やシナリオ計画の面で興味深い道を開くことができる」と示しています。

– 論文の共同著者、PPPLのデジタルエンジニアリング部門長マイケル・チャーチル。

磁気シャドウをマッピングして材料を保護する

HEAT-MLは、SPARCの小部分をシミュレートするために特別に作られました。

SPARCは、CFSがMIT PSFCと協力して現在開発中のトカマクです。来年の運転開始が予定されており、2027年までに消費エネルギーを上回る正味エネルギー増加を実証することを目指しています。

それを実現するため、研究者はこのトカマク内部への熱影響をシミュレートしています。

大きな計算課題ですが、研究者はプラズマ熱排出が材料壁に達するSPARCセクションに焦点を当てることで管理可能にしています。これは機械の基部周辺の15枚のタイルで、排出システムが最も熱にさらされやすい部分です。

このシミュレーションを作成するため、チームは磁気シャドウの3次元マップであるシャドウマスクを作成しました。これらのマップは、融合システム内部コンポーネントの表面上で直接熱から保護された特定領域です。その位置はトカマク内部の部品形状と、プラズマを閉じ込める磁場線との相互作用に依存します。

シミュレーションを数分からミリ秒へ高速化する

シャドウマスクは、オープンソースのコンピュータプログラム HEAT（熱フラックス工学解析ツールキット）を使用して元々計算されました。

CFSのトム・ルービーがSPARC診断チームのリーダー、マット・レインケと協力して構築したこのプログラムは、当初、PPPLの球状トカマクであるNational Spherical Torus Experiment-Upgrade（NSTX-U）の排出システムに適用されました。この装置は世界で最も強力になるよう設計されています。

研究者は現在、機械学習を用いてHEATを補完し、熱負荷の迅速かつ正確な計算のための3次元代替モデルを開発しました。

生成されたHEAT-MLは、コンポーネント表面から磁場線を追跡し、他の内部部品と交差するかどうかを確認します。交差すれば、その地点はシャドウ領域、すなわち磁気シャドウとしてマークされます。

しかし、この線を追跡し、詳細な3次元機械ジオメトリと交差する場所を検出する全プロセスは、1つのシミュレーションだけで約30分かかる重大なボトルネックでした。複雑なジオメトリが関与すれば、さらに時間がかかります。

HEAT-MLにより、チームはこの制約を克服し、計算を数ミリ秒にまで高速化しました。 

融合発電所のリアルタイム制御へ向けて

HEAT-MLモデルは、データに適用される複数の隠れ層を持つ深層ニューラルネットワーク（AIの一形態）を使用し、パターン認識によって特定のタスクを学習します。この場合、HEAT-MLはHEATからの約1,000件のSPARCシミュレーションで訓練され、シャドウ領域を特定しました。

SPARCの排出システムという特定の設計に結び付いているため、HEAT-MLはこの特定トカマクのその部分でのみ機能します。

したがって、現在はHEATコードのオプション設定です。しかし、チームはモデルの能力を拡張し、サイズや形状に関係なく、あらゆる排出システムやトカマク内部の他のプラズマ面コンポーネントに対してシャドウマスク計算を一般化できるようにしたいと考えています。

研究によれば、パワー排出は次世代融合装置にとって重要な課題であり、分散器の設計と運用に革新的な解決策が必要です。研究は次のように指摘しています：

「最終的な目標は、リアルタイム制御と将来の運用判断のためにモデルを統合することです。」

核エネルギーへの投資

テック大手 Microsoft Corporation (MSFT ) は、核エネルギーとその AIによる加速を積極的に探求しており、炭素フリーエネルギー源の一部であるべきだと考えています。 

Microsoftのチーフサステナビリティオフィサー、メラニー・ナカガワは、核融合を長期的な賭けと呼び、過去数年で業界がさまざまなマイルストーンを達成し、「この十年、あるいは近い将来に核融合が実際に前進する瞬間になるという大きな楽観が生まれた」と述べました。

Microsoft Corporation (MSFT )

核融合の目標に向けて、Microsoftは2023年に民間核融合スタートアップのHelion Energyと画期的な契約を締結しました。この契約により、Helionは2028年までにMicrosoftのデータセンターに核融合で生成された電力を供給する予定です。

ソフトバンクのベンチャーキャピタル部門とOpenAIのサム・アルトマンの支援も受けて、Helionは今年、オリオンという計画中の核融合発電所の建設を開始しましたが、最終的な許可はまだ取得されていません。 

HelionのプロトタイプであるPolarisは、反応を生成・維持するために必要なエネルギーよりも多くのエネルギーを生成する方法を現在模索しています。一方、OrionはCEOによれば、電力供給ネットワークに接続される予定です。

Microsoftの市場パフォーマンスに関しては、時価総額3.86兆ドルの同社株は約521ドルで取引されており、年初来で23.41％上昇しています。EPS（TTM）は13.64、P/E（TTM）は38.25です。配当利回りは0.64％です。

2025年6月30日で終了した四半期の財務情報によると、売上高は18％増の764億ドル、営業利益は23％増の343億ドル、純利益は24％増の272億ドルとなりました。一方、希薄化後の1株当たり利益は3.65ドルで、24％増加しました。

「クラウドとAIは、すべての産業・セクターにおけるビジネス変革の原動力です。」

– CEO サティア・ナデラ

最新の Microsoft Corporation (MSFT) 株式ニュースと開発

結論

クリーンエネルギーへの最も有望な道の一つは核融合ですが、その商業化への道のりは長く困難です。しかし、AIはこの何世紀にもわたる夢をついに現実に変える加速剤であり、私たちの生涯内に実現可能です。

AIベースのアプローチを活用することで、研究者は融合システムを堅牢かつ経済的に実現可能にする取り組みを進めています。研究の高速化やプラズマ不安定性の解決から反応炉システムの保護まで、AIは核エネルギーを電力網に導入し、人類が無限の電力を利用できるよう支援します。

クリックして、核エネルギー第4世代がどのようになるかをご覧ください。

参考文献：

1. Degrave, J., Felici, F., Buchli, J., et al. 深層強化学習によるトカマクプラズマの磁気制御。Nature, 602(7897), 414–419, 2022年2月16日掲載。 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: JAXにおける高速かつ微分可能なトカマク輸送シミュレータ。arXiv preprint arXiv:2406.06718, 2024年6月10日掲載、2024年12月7日最終改訂。 https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. 深層強化学習による核融合プラズマのティアリング不安定性回避。Nature, 626(8001), 746–751, 2024年2月21日掲載。 https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. ITER燃焼プラズマにおける性能と乱流の予測：非線形ジャイロキネティックプロファイル予測。Nuclear Fusion, 65(1), 016002, 2024年11月11日掲載。 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. HEATコードと機械学習手法を用いたSPARCトカマクプラズマ面コンポーネントにおけるシャドウマスク予測。Fusion Engineering and Design, 217, 115010, 2025年8月掲載。 https://doi.org/10.1016/j.fusengdes.2025.115010