AI Kumokontrol sa mga Sistema ng Fusion sa Milisegundo

Ang mga mananaliksik ng fusion ay sinusubukang kontrolin ang materya sa mga temperatura na mas mainit kaysa sa gitna ng Araw. Ang hamong iyon ay halos walang puwang para sa mga naantalang desisyon. Ang isang plasma instability ay maaaring mabuo sa loob ng milisegundo, samantalang ang detalyadong simulation ng pisika ay maaaring mangailangan ng araw o buwan upang makumpleto. Maaaring itakda ng mga human operator ang mga layunin, ngunit hindi nila kayang mano-manong tumugon nang sapat na mabilis sa bawat pagbabago sa loob ng isang eksperimento sa fusion.

Isang bagong pag-aaral¹ mula sa mga mananaliksik ng Princeton University at Princeton Plasma Physics Laboratory ang naglalarawan ng praktikal na tugon sa problemang kontrol na iyon. Binuo ng koponan ang PACMAN, na pinaikling salita ng Prediction And Control using MAchiNe learning, at inilunsad ito sa DIII-D tokamak sa California. Sa halip na magsagawa ng isang limitadong gawain ng AI, nagbibigay ang PACMAN ng isang pangkaraniwang balangkas kung saan maaaring basahin ng iba’t ibang modelo ang diagnostic data, gumawa ng mga prediksyon, mag-coordinate ng mga controller, at magpadala ng mga utos sa pisikal na kagamitan.

Mayroon nang makapangyarihang mga modelo ng machine learning ang pananaliksik sa fusion. Ang mas mahirap na problema ay gawing maaasahang real-time na mga sangkap ang mga ito nang hindi muling binubuo ang control pipeline para sa bawat eksperimento. Tinatalakay ng PACMAN ang nawawalang layer na iyon.

Why Fusion Requires Real-Time AI Control

Ang isang tokamak ay naglilimita ng electrically charged plasma gamit ang mga magnetic field. Ang pagpapanatili ng kapaki-pakinabang na kondisyon ay nangangailangan ng patuloy na pag-aayos sa mga heating system, magnetic coil, gas injection, at iba pang kagamitan. Ang maliliit na kaguluhan ay maaaring lumaki at maging mga instability na nagpapababa ng performance o nagwawakas ng plasma discharge nang ganap.

Mananatiling epektibo ang tradisyunal na mga controller kapag kayang ilarawan ng mga inhinyero ang ninanais na tugon nang maaga. Gayunpaman, ang mga advanced na plasma regime ay naglalaman ng nonlinear na interaksyon, hindi kumpletong sukat, at mga kondisyon na nagbabago nang napakabilis para sa masusing kalkulasyon. Maaaring tantiyahin ng machine learning ang pag-uugaling ito at magbigay ng sagot sa loob ng magagamit na oras.

Ang mas malawak na kahalagahan ng pamamaraang ito ay naging malinaw na. Ipinakita ng nakaraang pananaliksik na maaaring hulaan at pigilan ng AI ang mga instability sa fusion bago pa tumugon ang tradisyunal na mga sistema. Pinalalawak ng PACMAN ang konsepto mula sa isang indibidwal na demonstrasyon ng prediksyon at kontrol tungo sa isang arkitektura na kayang suportahan ang ilang modelo, controller, at layunin.

Ayon sa kalakip na pahayag ng PPPL, ang buong balangkas ay karaniwang tumatakbo sa humigit-kumulang 20 milisegundo. Sa isang eksperimento, ang isang modelo ng machine learning ay naunang na-anticipate ang tearing-mode instability nang mga 200 milisegundo bago ito mangyari. Maaaring mukhang maikli ang interval na iyon, ngunit nagbibigay ito sa awtomatikong controller ng sapat na oras upang i-redirect ang heating at baguhin ang kondisyon ng plasma bago pa man maitatag ang instability.

How The PACMAN Fusion Framework Works

Iniinayos ng PACMAN ang real-time na kontrol sa apat na magkasunod na bloke. Ang input block ay kumukuha ng diagnostic measurements at sinusuri ang kanilang bisa. Ang model block ay nagpapahintulot sa machine learning, tradisyonal o physics-based na mga modelo na mag-interpret ng mga input na iyon. Ang controller block ay isinasalin ang mga prediksyon sa mga ninanais na aksyon. Sa huli, ang output block ay nilulutas ang magkasalungat na kahilingan, inilalapat ang mga hardware constraint, at ipinapasa ang aprubadong mga utos sa tokamak.

Sa gayon, maaaring paghiwalayin ng sistema ang katalinuhan mula sa awtoridad. Maaaring magrekomenda ang isang AI model ng isang aksyon, ngunit ang output nito ay hindi lumalampas sa nakapaligid na control architecture. Patuloy na sinusuri ang mga utos laban sa limitasyon ng actuator, at tinutukoy ng mga mananaliksik ang mga layunin at configuration para sa bawat eksperimento.

Ang balangkas ay naglalaman ng ilang praktikal na safeguard:

• Ang input validation ay tumutukoy sa nawawalang o hindi wastong diagnostic data.
• Ang low-pass filtering ay maaaring pigilan ang mga reaksyon sa isolated na maling sukat.
• Ang conflict handling ay nag-aayos sa pagitan ng magkasalungat na kahilingan ng actuator.
• Ang output limits ay pumipigil sa mga utos na lumagpas sa hardware constraints.

Ang disenyo na ito ay nagbibigay ng mahalagang aral para sa safety-critical na AI: hindi kailangang umasa ang pagiging maaasahan sa isang hindi nagkakamaling modelo. Maaaring ipagpalagay ng nakapaligid na sistema na makakaranas ang mga modelo ng maling data o lumikha ng hindi angkop na output, at pagkatapos ay limitahan ang kanilang impluwensya sa pisikal na kagamitan.

Five Experiments Show The Framework’s Flexibility

Gumamit ang mga mananaliksik ng PACMAN sa limang eksperimento sa DIII-D. Hindi ito limang iba’t ibang bersyon ng parehong neural network. Kabilang dito ang reinforcement learning, survival models, reservoir computing, at model-predictive control, na sinamahan ng iba’t ibang diagnostic at actuator.

Pinamamahalaan ng reinforcement-learning controller ang mga heating input upang maabot ang plasma pressure at internal transport barriers. Ang tearing-mode controller ay nag-redirect ng electron cyclotron heating bago lumitaw ang isang instability. Ang isa pang modelo ay nag-predikta ng biglaang edge-localized na mga pangyayari nang hindi direktang kinokontrol ang isang actuator, na nagpapakita na maaaring magbigay din ang PACMAN ng external controller.

Ang Alfvén eigenmode application ay nag-klasipika ng mga alon na kaugnay ng energetic particles at inayos ang neutral-beam power bilang tugon. Ang pinaka-komputasyonal na mapanghamong halimbawa ay nag-compress ng plasma profiles sa isang mas simpleng latent representation at gumamit ng model-predictive control upang ayusin ang density at pag-ikot patungo sa mga target na itinakda ng mga mananaliksik.

Sama-sama, ipinapakita ng mga eksperimento kung bakit mahalaga ang isang pinagsamang balangkas. Ang bawat layunin ay nangangailangan ng iba’t ibang data, timing, at hardware, ngunit hindi dapat kailangang muling likhain ng bawat koponan ang diagnostic handling, safety checks, at actuator integration.

The Real Breakthrough Is Faster Fusion Development

Hindi nilulutas ng PACMAN ang mga siyentipiko at ekonomikong hadlang na kinakaharap ng fusion power. Ang DIII-D ay isang pasilidad pang-research, hindi isang komersyal na generator, at ang mga eksperimento ay hindi nagpakita ng net electricity. Ang balangkas din ay hindi makokontrol ang mga phenomenon na umuunlad nang mas mabilis kaysa sa millisecond-scale na window nito. Ang kasalukuyang implementasyon nito ay nagpapatakbo ng mga modelo nang sunud-sunod, bagaman ang arkitektura ay maaaring suportahan ang hinaharap na parallel execution.

Ang halagang pangmalapit na panahon nito ay matatagpuan sa bilis ng pag-unlad. Iniulat ng PPPL na ang paggawa ng balangkas at pag-install ng unang modelo ay tumagal ng buwan, samantalang ang pagdagdag ng ikalawang modelo ay nangangailangan lamang ng ilang araw. Kapag ang pinagsamang imprastraktura ay humahawak sa paulit-ulit na mga problema sa integrasyon, maaaring maglaan ng mas maraming oras ang mga mananaliksik sa pagpapabuti ng mga plasma model at mas kaunting oras sa muling pagbuo ng plumbing sa paligid nito.

Maaaring lumikha ito ng isang compounding effect. Ang mas mabilis na pag-deploy ay nagbubunga ng mas maraming experimental data, mas magagandang modelo, at lalong ambisyosong operating regimes. Ang resulta ay mas mahigpit na learning loop sa pagitan ng simulation, machine learning, at mga pisikal na eksperimento.

Ang loop na iyon ay tumutulong ipaliwanag ang lumalawak na ugnayan sa pagitan ng AI at fusion energy. Maaaring tumaas ang demand ng kuryente dahil sa AI sa pamamagitan ng mga data center, ngunit nagiging isang engineering tool din ito para sa pag-develop ng mga bagong sistema ng enerhiya. Sa fusion, ang halaga nito ay hindi limitado sa pagtuklas ng mga materyales o pagsusuri ng mga resulta pagkatapos ng eksperimento. Maaari itong direktang makibahagi sa pagkontrol ng makina.

From Experimental Software To Reactor Infrastructure

Ang susunod na hakbang ay matukoy kung ang mga prinsipyo ng disenyo ng PACMAN ay maililipat sa iba pang mga makina. Ang mga tokamak ay nagkakaiba-iba sa kanilang geometry, diagnostics, actuator, at control system. Ang isang reusable na konseptwal na arkitektura ay hindi awtomatikong ginagawang portable ang software sa bawat pasilidad.

Gayunpaman, tinutukoy ng balangkas ang mga elementong malamang na mahalaga sa mga hinaharap na reactor: standardized inputs, interchangeable models, explicit controller boundaries, actuator arbitration, at safety enforcement sa labas ng AI model. Ang mga komersyal na sistema ay mangangailangan din ng redundancy, cybersecurity, at predictable responses kapag nabigo ang kagamitan.

Plano ng mga mananaliksik na magpakilala ng multithreading at magsuri ng GPUs o field-programmable gate arrays para sa mas mabilis na inference. Ang kritikal na sukatan ay hindi lamang raw model speed. Ang end-to-end latency, kasama ang data acquisition, validation, decisions, at actuation, ang magtatakda kung makakaintervene ang controller sa tamang oras.

Investing In AI-Enabled Fusion Through Alphabet

Para sa mga mamumuhunan na naghahanap ng exposure sa public market sa pagsasanib ng AI at pananaliksik sa fusion, ang Alphabet Inc (GOOG ) ay nag-aalok ng isang kaugnay, bagaman hindi direktang, opsyon. Nakipagtulungan ang Google sa pribadong fusion developer na TAE Technologies nang higit sa isang dekada, na nag-aaplay ng machine learning sa plasma reconstruction, optimization, at disenyo ng reactor. Nakibahagi rin ang Google sa financing round ng TAE noong 2025.

Ang kontribusyon ng Google ay higit pa sa kapital. Ang mga mananaliksik nito ay nakipagtulungan sa mga fusion engineer upang maunawaan ang pag-uugali ng plasma at mabawasan ang komplikasyon ng makina. Noong 2025, sinabi ng Google na ang pinagsamang trabaho sa plasma reconstruction ay tumulong sa TAE na pasimplehin at muling buuin ang kanilang fusion machine. Pumayag din ang Alphabet na bumili ng kuryente mula sa Commonwealth Fusion Systems kung maaabot ng kanilang planong pasilidad ang komersyal na operasyon.

Hindi ito nagiging Alphabet na isang pure play sa fusion. Sa kasalukuyan, ang fusion ay kumakatawan sa isang maliit at spekulatibong bahagi ng isang kumpanyang dominado ng advertising, cloud computing, at digital services. Gumagamit din ang TAE ng field-reversed configuration sa halip na ang tokamak architecture na ginagamit sa DIII-D. Gayunpaman, ang AI collaboration ng Google sa TAE Technologies ay nagpapakita na nag-aambag ito ng mga teknikal na kakayahan sa sektor sa halip na maghintay na maging isang hinaharap na customer ng kuryente.

AI Is Becoming Part Of The Fusion Machine

Inilalagay ng PACMAN ang talakayan lampas sa tanong kung kayang hulaan ng isang AI model ang isang instability. Ang mas mahalagang tanong ay kung maraming predictive at control system ang maaaring magsabay na gumana, makipag-ugnayan sa hardware, at manatiling nasa loob ng mga maipapatupad na safety rule.

Ipinapakita ng mga eksperimento sa DIII-D na ang problemang ito ng integrasyon ay maaaring lutasin. Naitugma ng PACMAN ang limang magkakaibang aplikasyon, gumawa ng mga desisyon sa millisecond timescales, at nagbigay ng daan para sa pagdaragdag ng mga bagong modelo nang hindi muling dinisenyo ang buong control system. Nanatili itong experimental infrastructure, ngunit ang imprastraktura ay eksaktong nagiging daan upang gawing paulit-ulit na pag-unlad ang mga hiwalay na breakthrough.

Ang komersyal na fusion ay patuloy na nangangailangan ng mga pag-unlad sa performance ng plasma, mga materyales, fuel cycles, maintenance, at ekonomiks ng planta. Ang real-time AI control ay hindi papalitan ang mga tagumpay na iyon. Gayunpaman, maaari itong maging layer na magpapahintulot na magsama-sama ang mga ito sa loob ng isang reactor.

Mga Sanggunian:

^{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). Pagpayag ng Pinag-isa na Kontrol ng AI sa DIII-D: Isang disenyo ng control system na may mga makabagong eksperimento. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}