AI neemt de controle over fusiessystemen in milliseconden

Fusieonderzoekers proberen materie te beheersen bij temperaturen die heter zijn dan het centrum van de Zon. Die uitdaging laat vrijwel geen ruimte voor vertraagde beslissingen. Een plasma‑instabiliteit kan zich in milliseconden ontwikkelen, terwijl een gedetailleerde fysicasimulatie dagen of maanden kan duren. Menselijke operators kunnen de doelen stellen, maar ze kunnen niet handmatig snel genoeg reageren op elke wijziging binnen een fusi‑experiment.

Een nieuwe studie¹ van onderzoekers aan Princeton University en het Princeton Plasma Physics Laboratory beschrijft een praktische respons op dat controleprobleem. Het team ontwikkelde PACMAN, een afkorting voor Prediction And Control using MAchiNe learning, en zette het in op de DIII‑D tokamak in Californië. In plaats van één smalle AI‑taak uit te voeren, biedt PACMAN een gemeenschappelijk raamwerk waarmee verschillende modellen diagnostische gegevens kunnen lezen, voorspellingen kunnen maken, controllers kunnen coördineren en commando’s naar fysieke apparatuur kunnen sturen.

Fusiononderzoek heeft al krachtige machine‑learning‑modellen. Het moeilijkere probleem is deze omvormen tot betrouwbare realtime‑componenten zonder voor elk experiment de controle‑pijplijn opnieuw op te bouwen. PACMAN pakt die ontbrekende laag aan.

Waarom fusie realtime AI‑controle vereist

Een tokamak bevat elektrisch geladen plasma met behulp van magnetische velden. Het handhaven van bruikbare omstandigheden vereist constante aanpassingen van verwarmingssystemen, magnetische spoelen, gasinjectie en andere apparatuur. Kleine verstoringen kunnen uitgroeien tot instabiliteiten die de prestaties verminderen of de plasmavoorbijdrage volledig beëindigen.

Traditionele controllers blijven effectief wanneer ingenieurs de gewenste respons van tevoren kunnen beschrijven. Geavanceerde plasmaregimes echter omvatten niet‑lineaire interacties, onvolledige metingen en omstandigheden die te snel veranderen voor uitputtende berekeningen. Machine learning kan dit gedrag benaderen en een antwoord leveren binnen de beschikbare tijd.

Het bredere belang van deze aanpak is al zichtbaar geworden. Eerder onderzoek toonde aan dat AI fusie‑instabiliteiten kan voorspellen en voorkomen voordat conventionele systemen reageren. PACMAN breidt het concept uit van een individuele voorspelling‑en‑controle‑demonstratie naar een architectuur die verschillende modellen, controllers en doelstellingen kan ondersteunen.

Volgens de bijbehorende PPPL‑aankondiging draait het volledige raamwerk doorgaans in ongeveer 20 milliseconden. In één experiment voorspelde een machine‑learning‑model een tearing‑mode‑instabiliteit ongeveer 200 milliseconden van tevoren. Die periode lijkt kort, maar geeft een geautomatiseerde controller voldoende tijd om de verwarming te herrouteren en de plasmavoorwaarden te wijzigen voordat de instabiliteit zich heeft gevestigd.

Hoe het PACMAN‑fusie‑raamwerk werkt

PACMAN organiseert realtime‑controle in vier opeenvolgende blokken. Het invoerblok verzamelt diagnostische metingen en controleert hun geldigheid. Het modelblok laat machine learning, conventionele of fysica‑gebaseerde modellen die invoer interpreteren. Het controller‑blok zet voorspellingen om in gewenste acties. Ten slotte lost het uitvoerblok concurrerende verzoeken op, past hardware‑beperkingen toe en geeft goedgekeurde commando’s door aan de tokamak.

Het systeem kan daardoor intelligentie scheiden van autoriteit. Een AI‑model mag een actie aanbevelen, maar de output omzeilt niet de omringende controle‑architectuur. Commando’s worden nog steeds gecontroleerd tegen de limieten van actuatoren, en onderzoekers definiëren de doelstellingen en configuratie voor elk experiment.

Dit ontwerp biedt een nuttige les voor veiligheidskritische AI: betrouwbaarheid hoeft niet te steunen op een onfeilbaar model. Het omringende systeem kan aannemen dat modellen slechte gegevens tegenkomen of ongeschikte outputs produceren, en vervolgens hun invloed op fysieke apparatuur beperken.

• Invoervalidatie identificeert ontbrekende of ongeldige diagnostische gegevens.
• Low‑pass filtering kan reacties op geïsoleerde slechte metingen voorkomen.
• Conflictafhandeling bemiddelt tussen concurrerende actuator‑verzoeken.
• Uitvoerlijnen voorkomen dat commando’s de hardware‑beperkingen overschrijden.

Dit ontwerp biedt een nuttige les voor veiligheidskritische AI: betrouwbaarheid hoeft niet te steunen op een onfeilbaar model. Het omringende systeem kan aannemen dat modellen slechte gegevens tegenkomen of ongeschikte outputs produceren, en vervolgens hun invloed op fysieke apparatuur beperken.

Vijf experimenten tonen de flexibiliteit van het raamwerk

De onderzoekers gebruikten PACMAN in vijf experimentele toepassingen op DIII‑D. Dit waren geen vijf variaties van hetzelfde neuraal netwerk. Ze omvatten reinforcement learning, survival‑modellen, reservoir‑computing en model‑predictive control, gekoppeld aan verschillende diagnostische instrumenten en actuatoren.

De reinforcement‑learning‑controller beheerde verwarmingsinvoer om de plasmadruk en interne transportbarrières te targeten. De tearing‑mode‑controller herrouterde electron cyclotron‑verwarming voordat een instabiliteit verscheen. Een ander model voorspelde plotselinge rand‑gelokaliseerde gebeurtenissen zonder direct een actuator te besturen, wat aantoont dat PACMAN ook een externe controller kan leveren.

De Alfvén‑eigenmode‑toepassing classificeerde golven geassocieerd met energetische deeltjes en paste het neutral‑beam‑vermogen hierop aan. Het meest rekenintensieve voorbeeld comprimeerde plasmaprofielen tot een eenvoudigere latente representatie en gebruikte model‑predictive control om dichtheid en rotatie aan te passen naar door onderzoekers gedefinieerde doelen.

Samen tonen deze experimenten waarom een gedeeld raamwerk waardevol is. Elk doel vereist verschillende gegevens, timing en hardware, maar elk team zou niet opnieuw de diagnostische afhandeling, veiligheidscontroles en actuator‑integratie hoeven te recreëren.

De echte doorbraak is snellere fusie‑ontwikkeling

PACMAN lost de wetenschappelijke en economische barrières die fusie‑energie tegenhouden niet op. DIII‑D is een onderzoeksfaciliteit, geen commerciële generator, en de experimenten toonden geen netto‑elektriciteit aan. Het raamwerk kan ook geen fenomenen beheersen die sneller evolueren dan zijn milliseconde‑schaling. De huidige implementatie voert modellen sequentieel uit, hoewel de architectuur toekomstige parallelle uitvoering kan ondersteunen.

De meerwaarde op korte termijn ligt in de ontwikkelingssnelheid. PPPL meldt dat het bouwen van het raamwerk en het installeren van het eerste model maanden duurde, terwijl het toevoegen van het tweede model slechts dagen kostte. Zodra gedeelde infrastructuur terugkerende integratieproblemen afhandelt, kunnen onderzoekers meer tijd besteden aan het verbeteren van plasmamodellen en minder tijd aan het opnieuw opzetten van de bijbehorende infrastructuur.

Dit kan een versterkend effect creëren. Snellere inzet levert meer experimentele gegevens, betere modellen en steeds ambitieuzere bedrijfsregimes op. Het resultaat is een strakkere leerlus tussen simulatie, machine learning en fysieke experimenten.

Die lus helpt de groeiende verbinding tussen AI en fusie‑energie te verklaren. AI kan de elektriciteitsvraag verhogen via datacenters, maar wordt ook een engineering‑tool voor het ontwikkelen van nieuwe energiesystemen. In fusie is de waarde niet beperkt tot het ontdekken van materialen of het analyseren van resultaten na een experiment. Het kan direct deelnemen aan het besturen van de machine.

Van experimentele software naar reactorinfrastructuur

De volgende stap is bepalen of de ontwerpprincipes van PACMAN overzettenbaar zijn naar andere machines. Tokamaks verschillen in hun geometrie, diagnostiek, actuatoren en controlesystemen. Een herbruikbare conceptuele architectuur maakt de software niet automatisch draagbaar voor elke faciliteit.

Desondanks identificeert het raamwerk elementen die waarschijnlijk belangrijk zullen zijn in toekomstige reactoren: gestandaardiseerde invoer, verwisselbare modellen, expliciete controller‑grenzen, actuator‑arbitrage en veiligheids‑handhaving buiten het AI‑model. Commerciële systemen zullen ook redundantie, cyberbeveiliging en voorspelbare reacties vereisen wanneer apparatuur faalt.

De onderzoekers zijn van plan multithreading te introduceren en GPU’s of field‑programmable gate arrays te verkennen voor snellere inferentie. De kritieke metriek zal niet alleen de ruwe modelsnelheid zijn. End‑to‑end‑latentie, inclusief gegevensacquisitie, validatie, beslissingen en actuatie, bepaalt of een controller op tijd kan ingrijpen.

Investeren in AI‑enabled fusie via Alphabet

Voor investeerders die via de beurs blootstelling zoeken aan de convergentie van AI en fusieonderzoek, biedt Alphabet Inc (GOOG ) een relevante, zij het indirecte, optie. Google werkt al meer dan een decennium samen met de private fusie‑ontwikkelaar TAE Technologies en past machine learning toe op plasma‑reconstructie, optimalisatie en reactorontwerp. Google nam ook deel aan de financieringsronde van TAE in 2025.

Google’s bijdrage reikt verder dan kapitaal. Zijn onderzoekers hebben samengewerkt met fusie‑ingenieurs om plasmagedrag te interpreteren en de complexiteit van de machine te verminderen. In 2025 zei Google dat gezamenlijke plasma‑reconstructiewerk TAE hielp haar fusiemachine te vereenvoudigen en opnieuw op te bouwen. Alphabet heeft ook ingestemd om stroom af te nemen van Commonwealth Fusion Systems als de geplande faciliteit commerciële exploitatie bereikt.

Dit maakt Alphabet geen pure fusie‑speler. Fusie vormt momenteel een klein en speculatief deel van een bedrijf dat gedomineerd wordt door reclame, cloud‑computing en digitale diensten. TAE gebruikt bovendien een field‑reversed configuratie in plaats van de tokamak‑architectuur die bij DIII‑D wordt toegepast. Toch toont Google’s AI‑samenwerking met TAE Technologies aan dat het technische capaciteiten aan de sector bijdraagt in plaats van te wachten om een toekomstige elektriciteitsklant te worden.

AI wordt onderdeel van de fusiemachine

PACMAN verlegt de discussie voorbij de vraag of één AI‑model een instabiliteit kan voorspellen. De meer doorslaggevende vraag is of vele voorspellende en controle‑systemen samen kunnen opereren, met hardware kunnen interageren en binnen afdwingbare veiligheidsregels blijven.

De DIII‑D‑experimenten suggereren dat dit integratie‑probleem oplosbaar is. PACMAN ondersteunde vijf verschillende toepassingen, nam beslissingen op milliseconden‑schaal en bood een pad om nieuwe modellen toe te voegen zonder het volledige controlesysteem opnieuw te ontwerpen. Het blijft experimentele infrastructuur, maar infrastructuur is precies wat geïsoleerde doorbraken omzet in herhaalbare vooruitgang.

Commerciële fusie vereist nog steeds vooruitgang in plasmaprestaties, materialen, brandstofcycli, onderhoud en plant‑economie. Realtime AI‑controle zal die prestaties niet vervangen. Het kan echter wel de laag worden die hen in staat stelt samen te werken binnen een reactor.

Referenties:

^{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). Inschakelen van geïntegreerde AI‑controle op DIII‑D: Een controlesysteemontwerp met geavanceerde experimenten. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}