AI tar kontroll over fusjonssystemer på millisekunder

Fusjonsforskere prøver å kontrollere materie ved temperaturer som er varmere enn solens kjerne. Denne utfordringen gir nesten ingen rom for forsinkede beslutninger. En plasma‑instabilitet kan utvikles på millisekunder, mens en detaljert fysikksimulering kan kreve dager eller måneder å fullføre. Menneskelige operatører kan sette målene, men de kan ikke manuelt reagere raskt nok på hver endring i et fusjonseksperiment.

En ny studie¹ fra forskere ved Princeton University og Princeton Plasma Physics Laboratory beskriver et praktisk svar på dette kontrollproblemet. Teamet utviklet PACMAN, en forkortelse for Prediction And Control using MAchiNe learning, og implementerte det på DIII-D tokamak i California. I stedet for å utføre én smal AI‑oppgave, gir PACMAN et felles rammeverk som gjør at ulike modeller kan lese diagnostiske data, lage prediksjoner, koordinere kontrollere og sende kommandoer til fysisk utstyr.

Fusjonsforskning har allerede kraftige maskinlæringsmodeller. Det vanskeligere problemet er å gjøre dem til pålitelige sanntidskomponenter uten å bygge opp kontrollpipelines på nytt for hvert eksperiment. PACMAN adresserer dette manglende laget.

Hvorfor fusjon krever sanntids‑AI‑kontroll

En tokamak holder elektrisk ladet plasma ved hjelp av magnetfelt. Å opprettholde nyttige forhold krever konstante justeringer av varmesystemer, magnetspoler, gassinjektion og annet utstyr. Små forstyrrelser kan vokse til instabiliteter som reduserer ytelsen eller avslutter plasmautladningen helt.

Tradisjonelle kontrollere forblir effektive når ingeniører kan beskrive ønsket respons på forhånd. Imidlertid involverer avanserte plasmaregimer ikke‑lineære interaksjoner, ufullstendige målinger og forhold som endrer seg for raskt for omfattende beregninger. Maskinlæring kan tilnærme denne oppførselen og levere et svar innen den tilgjengelige tiden.

Den bredere betydningen av denne tilnærmingen har allerede blitt synlig. Tidligere forskning viste at AI kan forutsi og forhindre fusjonsinstabiliteter før konvensjonelle systemer ville reagert. PACMAN utvider konseptet fra en individuell prediksjons‑ og kontroll‑demonstrasjon til en arkitektur som kan støtte flere modeller, kontrollere og mål.

Ifølge den tilhørende PPPL‑kunngjøringen kjører det komplette rammeverket vanligvis i omtrent 20 millisekunder. I ett eksperiment forutså en maskinlæringsmodell en tearing‑mode‑instabilitet omtrent 200 millisekunder i forveien. Det intervallet kan virke kort, men det gir en automatisert kontroller nok tid til å omdirigere oppvarming og endre plasmaforhold før instabiliteten blir etablert.

Hvordan PACMAN‑fusjonsrammeverket fungerer

PACMAN organiserer sanntidskontroll i fire påfølgende blokker. Inndata‑blokken samler diagnostiske målinger og sjekker deres gyldighet. Modellblokken lar maskinlæring, konvensjonelle eller fysikkbaserte modeller tolke disse inndataene. Kontrollerblokken oversetter prediksjoner til ønskede handlinger. Til slutt løser utdata‑blokken konkurrerende forespørsler, anvender maskinvarebegrensninger og sender godkjente kommandoer til tokamaken.

Systemet kan dermed skille intelligens fra autoritet. En AI‑modell kan anbefale en handling, men dens utdata omgår ikke den omkringliggende kontrollarkitekturen. Kommandoer blir fortsatt sjekket mot aktuatorgrenser, og forskerne definerer mål og konfigurasjon for hvert eksperiment.

Rammeverket inkluderer flere praktiske sikkerhetstiltak:

• Inndata‑validering identifiserer manglende eller ugyldige diagnostiske data.
• Lavpassfiltrering kan forhindre reaksjoner på isolerte dårlige målinger.
• Konflikthåndtering avgjør mellom konkurrerende aktuator‑forespørsler.
• Utdata‑begrensninger hindrer kommandoer fra å overskride maskinvarebegrensninger.

Dette designet gir en nyttig lærdom for sikkerhetskritisk AI: pålitelighet trenger ikke avhenge av en ufeilbarlig modell. Det omkringliggende systemet kan anta at modeller vil møte dårlige data eller produsere upassende utdata, og deretter begrense deres påvirkning på fysisk utstyr.

Fem eksperimenter viser rammeverkets fleksibilitet

Forskerne brukte PACMAN i fem eksperimentelle anvendelser på DIII-D. Dette var ikke fem varianter av samme nevrale nettverk. De inkluderte forsterkende læring, overlevelsesmodeller, reservoar‑beregning og modell‑prediktiv kontroll, kombinert med ulike diagnostikker og aktuatorer.

Den forsterkende‑læringskontrolleren styrte oppvarmingsinnsatsene for å nå plasma‑trykk og interne transportbarrierer. Tearing‑mode‑kontrolleren omdirigerte elektron‑syklotron‑oppvarming før en instabilitet oppstod. En annen modell forutså plutselige kant‑lokaliserte hendelser uten å direkte kontrollere en aktuator, og viser at PACMAN også kan levere en ekstern kontroller.

Alfvén‑egenmodus‑applikasjonen klassifiserte bølger knyttet til energirike partikler og justerte neutral‑stråle‑kraft som respons. Det mest beregningsintensive eksempelet komprimerte plasma‑profiler til en enklere latent representasjon og brukte modell‑prediktiv kontroll for å justere tetthet og rotasjon mot forskerdefinerte mål.

Sammen viser disse eksperimentene hvorfor et delt rammeverk er verdifullt. Hvert mål krever ulike data, timing og maskinvare, men hvert team bør ikke måtte gjenskape diagnostikkhåndtering, sikkerhetssjekker og aktuatorintegrasjon.

Det virkelige gjennombruddet er raskere fusjonsutvikling

PACMAN løser ikke de vitenskapelige og økonomiske barrierene som står i veien for fusjonskraft. DIII-D er en forskningsanlegg, ikke en kommersiell generator, og eksperimentene demonstrerte ikke netto elektrisitet. Rammeverket kan heller ikke kontrollere fenomener som utvikler seg raskere enn dets millisekund‑vindu. Den nåværende implementeringen kjører modeller sekvensielt, selv om arkitekturen kan støtte fremtidig parallell kjøring.

Dens kortsiktige verdi ligger i utviklingshastigheten. PPPL rapporterer at byggingen av rammeverket og installasjonen av den første modellen tok måneder, mens tillegg av den andre modellen kun krevde dager. Når delt infrastruktur håndterer gjentakende integrasjonsproblemer, kan forskerne bruke mer tid på å forbedre plasmamodeller og mindre tid på å bygge opp rørledninger rundt dem.

Dette kan skape en kumulativ effekt. Raskere utrulling gir mer eksperimentdata, bedre modeller og stadig mer ambisiøse driftsregimer. Resultatet er en strammere læringssløyfe mellom simulering, maskinlæring og fysiske eksperimenter.

Den sløyfen bidrar til å forklare den økende koblingen mellom AI og fusjonsenergi. AI kan øke elektrisitetsbehovet gjennom datasentre, men den blir også et ingeniørverktøy for å utvikle nye energisystemer. I fusjon er dens verdi ikke begrenset til å oppdage materialer eller analysere resultater etter et eksperiment. Den kan delta direkte i å kontrollere maskinen.

Fra eksperimentell programvare til reaktor‑infrastruktur

Det neste steget vil være å avgjøre om PACMAN‑s designprinsipper kan overføres til andre maskiner. Tokamaker varierer i geometri, diagnostikk, aktuatorer og kontrollsystemer. En gjenbrukbar konseptuell arkitektur gjør ikke automatisk programvaren portabel mellom alle fasiliteter.

Selv så er rammeverket identifisert elementer som sannsynligvis vil være viktige i fremtidige reaktorer: standardiserte inndata, utskiftbare modeller, eksplisitte kontroller‑grenser, aktuator‑arbitrering og sikkerhetshåndhevelse utenfor AI‑modellen. Kommersiell systemer vil også kreve redundans, cybersikkerhet og forutsigbare responser når utstyr svikter.

Forskerne planlegger å innføre multitråding og utforske GPU‑er eller felt‑programmerbare gate‑arrayer for raskere inferens. Den kritiske måleparameteren vil ikke bare være rå modellhastighet. End‑til‑end‑latens, inkludert data‑innsamling, validering, beslutninger og aktivering, bestemmer om en kontroller kan gripe inn i tide.

Investere i AI‑drevet fusjon gjennom Alphabet

For investorer som søker eksponering på børsen mot sammensmeltingen av AI og fusjonsforskning, tilbyr Alphabet Inc (GOOG ) et relevant, om enn indirekte, alternativ. Google har samarbeidet med den private fusjonsutvikleren TAE Technologies i mer enn et tiår, og anvendt maskinlæring på plasma‑rekonstruksjon, optimalisering og reaktordesign. Google deltok også i TAE‑s finansieringsrunde i 2025.

Googles bidrag strekker seg utover kapital. Dets forskere har jobbet med fusjonsingeniører for å tolke plasma‑adferd og redusere maskinkompleksitet. I 2025 sa Google at felles plasma‑rekonstruksjonsarbeid hjalp TAE med å forenkle og gjenoppbygge sin fusjonsmaskin. Alphabet har også gått med på å kjøpe strøm fra Commonwealth Fusion Systems dersom deres planlagte anlegg når kommersiell drift.

Dette gjør ikke Alphabet til en ren fusjons‑spiller. Fusjon utgjør for tiden en liten og spekulativ del av et selskap dominert av annonsering, sky‑tjenester og digitale tjenester. TAE bruker også en felt‑reversert konfigurasjon i stedet for tokamak‑arkitekturen som benyttes på DIII-D. Likevel viser Googles AI‑samarbeid med TAE Technologies at de bidrar med tekniske kapasiteter til sektoren i stedet for å vente på å bli en fremtidig strømkunde.

AI blir en del av fusjonsmaskinen

PACMAN flytter diskusjonen bort fra om én AI‑modell kan forutsi en instabilitet. Det mer betydningsfulle spørsmålet er om mange prediksjons‑ og kontrollsystemer kan operere sammen, samhandle med maskinvare og forbli begrenset av håndhevbare sikkerhetsregler.

DIII‑D‑eksperimentene antyder at dette integrasjonsproblemet er løsbart. PACMAN rommet fem distinkte anvendelser, tok beslutninger på millisekund‑tidsskala og ga en vei for å legge til nye modeller uten å redesigne hele kontrollsystemet. Det forblir eksperimentell infrastruktur, men infrastruktur er nettopp det som gjør isolerte gjennombrudd til repeterbar fremgang.

Kommersiell fusjon krever fortsatt fremskritt innen plasmaytelse, materialer, drivstoffsykluser, vedlikehold og anleggsøkonomi. Sanntids‑AI‑kontroll vil ikke erstatte disse prestasjonene. Den kan imidlertid bli laget som gjør at de kan arbeide sammen inne i en reaktor.

Referanser:

^{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). Muliggjøring av integrert AI‑kontroll på DIII‑D: Et kontrollsystemdesign med eksperimenter i verdensklasse. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}