AI tar kontroll över fusionssystem på millisekunder

Fusionsforskare försöker kontrollera materia vid temperaturer som är varmare än solens kärna. Den utmaningen lämnar nästan inget utrymme för fördröjda beslut. En plasmainstabilitet kan utvecklas på millisekunder, medan en detaljerad fysiksimulering kan kräva dagar eller månader att slutföra. Mänskliga operatörer kan sätta målen, men de kan inte manuellt reagera tillräckligt snabbt på varje förändring i ett fusionsexperiment.

En ny studie¹ från forskare vid Princeton University och Princeton Plasma Physics Laboratory beskriver ett praktiskt svar på detta kontrollproblem. Teamet utvecklade PACMAN, en förkortning för Prediction And Control using MAchiNe learning, och implementerade det på DIII-D‑tokamak i Kalifornien. Istället för att utföra en enda smal AI‑uppgift erbjuder PACMAN ett gemensamt ramverk genom vilket olika modeller kan läsa diagnostiska data, göra förutsägelser, samordna styrsystem och skicka kommandon till fysisk utrustning.

Fusionsforskning har redan kraftfulla maskininlärningsmodeller. Det svårare problemet är att göra dem till pålitliga realtidskomponenter utan att bygga om kontrollpipeline för varje experiment. PACMAN adresserar det saknade lagret.

Varför fusion kräver realtids‑AI‑kontroll

En tokamak håller elektriskt laddad plasma med hjälp av magnetfält. Att upprätthålla användbara förhållanden kräver kontinuerliga justeringar av värmesystem, magnetspolar, gasinjektion och annan utrustning. Små störningar kan växa till instabiliteter som minskar prestanda eller helt avslutar plasmautladdningen.

Traditionella styrsystem förblir effektiva när ingenjörer kan beskriva önskad respons i förväg. Däremot involverar avancerade plasmaregimer icke‑linjära interaktioner, ofullständiga mätningar och förhållanden som förändras för snabbt för uttömmande beräkningar. Maskininlärning kan approximera detta beteende och leverera ett svar inom den tillgängliga tiden.

Den bredare betydelsen av detta tillvägagångssätt har redan blivit synlig. Tidigare forskning visade att AI kan förutsäga och förhindra fusionsinstabiliteter innan konventionella system skulle reagera. PACMAN utökar konceptet från en enskild förutsägelse‑ och styrdemonstration till en arkitektur som kan stödja flera modeller, styrsystem och mål.

Enligt den medföljande PPPL‑meddelandet körs det kompletta ramverket vanligtvis på cirka 20 millisekunder. I ett experiment förutsåg en maskininlärningsmodell en tearing‑mode‑instabilitet ungefär 200 millisekunder i förväg. Det intervallet kan verka kort, men det ger en automatiserad styrsystem tillräckligt med tid att omdirigera uppvärmning och ändra plasmatisk förhållanden innan instabiliteten blir etablerad.

Hur PACMAN‑fusionsramverket fungerar

PACMAN organiserar realtidskontroll i fyra på varandra följande block. Inmatningsblocket samlar diagnostiska mätningar och kontrollerar deras giltighet. Modellblocket låter maskininlärnings‑, konventionella eller fysikbaserade modeller tolka dessa indata. Styrblocket översätter förutsägelser till önskade åtgärder. Slutligen löser utdata‑blocket konkurrerande begäranden, tillämpar hårdvarubegränsningar och vidarebefordrar godkända kommandon till tokamaken.

Systemet kan därför separera intelligens från auktoritet. En AI‑modell kan föreslå en åtgärd, men dess utdata kringgår inte den omgivande kontrollarkitekturen. Kommandon kontrolleras fortfarande mot aktuatorgränser, och forskare definierar mål och konfiguration för varje experiment.

Ramverket inkluderar flera praktiska skyddsåtgärder:

• Inmatningsvalidering identifierar saknade eller ogiltiga diagnostiska data.
• Lågpassfilter kan förhindra reaktioner på enskilda dåliga mätningar.
• Konflikthantering medlar mellan konkurrerande aktuatorbegäranden.
• Utdatabegränsningar förhindrar att kommandon överskrider hårdvarubegränsningar.

Denna design ger en användbar läxa för säkerhetskritisk AI: pålitlighet behöver inte bero på en felfri modell. Det omgivande systemet kan anta att modeller kommer att stöta på dåliga data eller producera olämpliga utdata, och sedan begränsa deras påverkan på fysisk utrustning.

Fem experiment visar ramverkets flexibilitet

Forskarna använde PACMAN i fem experimentella tillämpningar på DIII-D. Detta var inte fem varianter av samma neurala nätverk. De inkluderade förstärkningsinlärning, överlevnadsmodeller, reservoar‑beräkning och modell‑prediktiv styrning, kombinerade med olika diagnostik och aktuatorer.

Förstärkningsinlärnings‑styrsystemet hanterade värmeinsatser för att nå önskat plasmapressur och interna transportbarriärer. Tearing‑mode‑styrsystemet omdirigerade elektroncyklotronvärme innan en instabilitet uppstod. En annan modell förutsåg plötsliga kantlokaliserade händelser utan att direkt kontrollera en aktuator, vilket visar att PACMAN också kan leverera en extern styrning.

Alfvén‑eigenmode‑tillämpningen klassificerade vågor associerade med energirika partiklar och justerade neutral‑bärareffekten som svar. Det mest beräkningsintensiva exemplet komprimerade plasma‑profiler till en enklare latent representation och använde modell‑prediktiv styrning för att justera densitet och rotation mot forskardefinierade mål.

Tillsammans visar dessa experiment varför ett gemensamt ramverk är värdefullt. Varje mål kräver olika data, tidpunkter och hårdvara, men varje team bör inte behöva återskapa diagnostikhantering, säkerhetskontroller och aktuatorintegration.

Det verkliga genombrottet är snabbare fusionsutveckling

PACMAN löser inte de vetenskapliga och ekonomiska hindren som fusion står inför. DIII-D är en forskningsanläggning, inte en kommersiell generator, och experimenten demonstrerade inte nettoelektricitet. Ramverket kan dessutom inte kontrollera fenomen som utvecklas snabbare än dess millisekund‑skala fönster. Dess nuvarande implementation kör modeller sekventiellt, även om arkitekturen kan stödja framtida parallell exekvering.

Dess kortsiktiga värde ligger istället i utvecklingshastigheten. PPPL rapporterar att byggandet av ramverket och installationen av den första modellen tog månader, medan tillägg av den andra modellen bara krävde dagar. När gemensam infrastruktur hanterar återkommande integrationsproblem kan forskare spendera mer tid på att förbättra plasmamodeller och mindre tid på att bygga om rörledningar kring dem.

Detta kan skapa en kumulativ effekt. Snabbare utrullning ger mer experimentell data, bättre modeller och allt mer ambitiösa driftsregimer. Resultatet blir en tätare inlärningsslinga mellan simulering, maskininlärning och fysiska experiment.

Den slingan hjälper till att förklara den växande kopplingen mellan AI och fusionsenergi. AI kan öka elbehovet genom datacenter, men den blir också ett ingenjörsverktyg för att utveckla nya energisystem. Inom fusion är dess värde inte begränsat till att upptäcka material eller analysera resultat efter ett experiment. Den kan delta direkt i att styra maskinen.

Från experimentell programvara till reaktorinfrastruktur

Nästa steg blir att avgöra om PACMAN:s designprinciper kan överföras till andra maskiner. Tokamaker skiljer sig åt i geometri, diagnostik, aktuatorer och styrsystem. En återanvändbar konceptuell arkitektur gör inte automatiskt programvaran portabel över alla anläggningar.

Även så identifierar ramverket element som sannolikt blir viktiga i framtida reaktorer: standardiserade indata, utbytbara modeller, explicita styrgränser, aktuator‑arbitration och säkerhetsverkställighet utanför AI‑modellen. Kommersiella system kommer också att kräva redundans, cybersäkerhet och förutsägbara svar när utrustning fallerar.

Forskarna planerar att införa multitrådning och utforska GPU:er eller fältprogrammerbara grindar för snabbare inferens. Den kritiska metrisken kommer inte bara att vara rå modellhastighet. End‑to‑end‑latens, inklusive datainsamling, validering, beslut och aktivering, avgör om en styrning kan ingripa i tid.

Investera i AI‑driven fusion genom Alphabet

För investerare som söker börsnoterad exponering mot sammansmältningen av AI och fusionsforskning erbjuder Alphabet Inc (GOOG ) ett relevant, om än indirekt, alternativ. Google har samarbetat med den privata fusionsutvecklaren TAE Technologies i mer än ett decennium, och tillämpat maskininlärning på plasmarekonstruering, optimering och reaktordesign. Google deltog också i TAEs finansieringsrunda 2025.

Googles bidrag sträcker sig bortom kapital. Dess forskare har arbetat med fusionsingenjörer för att tolka plasmabeteende och minska maskinkomplexiteten. År 2025 sade Google att gemensamt arbete med plasmarekonstruering hjälpte TAE att förenkla och återuppbygga sin fusionsmaskin. Alphabet har också gått med på att köpa el från Commonwealth Fusion Systems om deras planerade anläggning når kommersiell drift.

Detta gör inte Alphabet till ett renodlat fusionsbolag. Fusion utgör för närvarande en liten och spekulativ del av ett företag som domineras av reklam, molntjänster och digitala tjänster. TAE använder också en fält‑omvänd konfiguration snarare än den tokamak‑arkitektur som används på DIII-D. Ändå visar Googles AI‑samarbete med TAE Technologies att de bidrar med tekniska förmågor till sektorn snarare än att vänta på att bli en framtida elkund.

AI blir en del av fusionsmaskinen

PACMAN förflyttar diskussionen bortom huruvida en enda AI‑modell kan förutsäga en instabilitet. Den mer avgörande frågan är om många förutsägnings‑ och styrsystem kan fungera tillsammans, interagera med hårdvara och förbli begränsade av verkställbara säkerhetsregler.

DIII-D‑experimenten tyder på att detta integrationsproblem är lösbart. PACMAN rymde fem distinkta tillämpningar, fattade beslut på millisekund‑tidsintervall och erbjöd en väg för att lägga till nya modeller utan att omdesigna hela styrsystemet. Det förblir experimentell infrastruktur, men infrastruktur är precis det som omvandlar isolerade genombrott till upprepad utveckling.

Kommersiell fusion kräver fortfarande framsteg inom plasmaperformance, material, bränslecykler, underhåll och anläggningsekonomi. Real‑tids‑AI‑kontroll kommer inte att ersätta dessa framsteg. Den kan dock bli det lager som möjliggör att de arbetar tillsammans i en reaktor.

Referenser:

^{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). Möjliggör integrerad AI‑kontroll på DIII‑D: En styrsystemdesign med banbrytande experiment. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}