AI, Füzyon Sistemlerini Milisaniyeler İçinde Kontrol Altına Alıyor

Füzyon araştırmacıları, Güneş’in merkezinden daha sıcak sıcaklıklarda maddeyi kontrol etmeye çalışıyor. Bu zorluk, gecikmeli kararlar için neredeyse hiç boşluk bırakmıyor. Bir plazma kararsızlığı milisaniyeler içinde gelişebilir, oysa ayrıntılı bir fizik simülasyonu günler ya da aylar sürebilir. İnsan operatörler hedefleri belirleyebilir, ancak bir füzyon deneyindeki her değişikliğe yeterince hızlı manuel olarak yanıt veremezler.

Princeton Üniversitesi ve Princeton Plasma Physics Laboratory’den araştırmacıların yeni bir çalışması¹ bu kontrol sorununa pratik bir yanıt tanımlıyor. Ekip, PACMAN adlı sistemi geliştirdi; bu, Prediction And Control using MAchiNe learning (Tahmin ve Kontrol Makine Öğrenmesi ile) ifadesinin kısaltmasıdır ve Kaliforniya’daki DIII-D tokamak’ında konuşlandırıldı. Tek bir dar AI görevini yerine getirmek yerine, PACMAN farklı modellerin tanısal verileri okuyabildiği, tahminler yapabildiği, kontrolörleri koordine edebildiği ve fiziksel ekipmana komut gönderebildiği ortak bir çerçeve sunar.

Fusion araştırması zaten güçlü makine öğrenmesi modellerine sahip. Daha zor problem, bu modelleri her deney için kontrol hattını yeniden inşa etmeden güvenilir gerçek‑zamanlı bileşenler haline getirmektir. PACMAN bu eksik katmanı doldurur.

Neden Füzyon Gerçek‑Zamanlı AI Kontrolü Gerektirir

Bir tokamak, manyetik alanlar kullanarak elektrik yüklü plazmayı hapseder. Kullanışlı koşulları sürdürmek, ısıtma sistemleri, manyetik bobinler, gaz enjeksiyonu ve diğer ekipmanlarda sürekli ayarlamalar gerektirir. Küçük rahatsızlıklar, performansı azaltan ya da plazma deşarjını tamamen sonlandıran kararsızlıklara dönüşebilir.

Geleneksel kontrolörler, mühendislerin istenen yanıtı önceden tanımlayabildiği durumlarda etkili kalır. Ancak gelişmiş plazma rejimleri, doğrusal olmayan etkileşimler, eksik ölçümler ve kapsamlı hesaplamalar için çok hızlı değişen koşullar içerir. Makine öğrenmesi bu davranışı yaklaşık olarak modelleyebilir ve mevcut sürede bir yanıt sunabilir.

Bu yaklaşımın daha geniş önemi zaten görülmeye başladı. Önceki araştırmalar, AI’nin füzyon kararsızlıklarını tahmin edip önleyebileceğini göstermişti; geleneksel sistemlerin yanıt vermesinden önce. PACMAN, bireysel bir tahmin ve kontrol gösteriminden, birkaç model, kontrolör ve hedefi destekleyebilen bir mimariye kavramı genişletiyor.

PPPL duyurusuna göre, tam çerçeve tipik olarak yaklaşık 20 milisaniye içinde çalışıyor. Bir deneyde, bir makine öğrenmesi modeli yırtılma-modu kararsızlığını yaklaşık 200 milisaniye önceden öngördü. Bu süre kısa görünebilir, ancak otomatik bir kontrolörün ısıtmayı yeniden yönlendirmesi ve plazma koşullarını kararsızlık oluşmadan önce değiştirmesi için yeterli zaman sağlar.

PACMAN Füzyon Çerçevesi Nasıl Çalışır

PACMAN, gerçek‑zamanlı kontrolü dört ardışık bloğa ayırır. Giriş bloğu tanısal ölçümleri toplar ve geçerliliklerini kontrol eder. Model bloğu, makine öğrenmesi, geleneksel ya da fizik‑tabanlı modellerin bu girdileri yorumlamasına izin verir. Kontrolör bloğu, tahminleri istenen eylemlere dönüştürür. Son olarak, çıktı bloğu rekabet eden istekleri çözer, donanım kısıtlamalarını uygular ve onaylanan komutları tokamaka iletir.

Böylece sistem zeka ile otoriteyi ayırabilir. Bir AI modeli bir eylem önerebilir, ancak çıktısı çevre kontrol mimarisini atlamaz. Komutlar hâlâ aktüatör limitlerine göre kontrol edilir ve araştırmacılar her deney için hedefleri ve yapılandırmayı tanımlar.

Çerçeve birkaç pratik güvenlik önlemi içerir:

• Giriş doğrulaması, eksik ya da geçersiz tanısal verileri belirler.
• Düşük geçişli filtreleme, izole kötü ölçümlere verilen tepkileri önleyebilir.
• Çakışma yönetimi, rekabet eden aktüatör istekleri arasında arabuluculuk yapar.
• Çıktı limitleri, komutların donanım kısıtlamalarını aşmasını engeller.

Bu tasarım, güvenlik‑kritik AI için yararlı bir ders sunar: güvenilirlik kusursuz bir modele bağlı olmak zorunda değildir. Çevre sistem, modellerin hatalı veri alabileceğini ya da uygunsuz çıktılar üretebileceğini varsayabilir ve bunların fiziksel ekipman üzerindeki etkisini sınırlayabilir.

Beş Deney Çerçevenin Esnekliğini Gösteriyor

Araştırmacılar, PACMAN’ı DIII-D üzerinde beş deneysel uygulamada kullandılar. Bunlar aynı sinir ağının beş varyasyonu değildi. Pekiştirmeli öğrenme, hayatta kalma modelleri, rezervuar bilişim ve model‑öngörü kontrolü gibi farklı yaklaşımlar, farklı tanı ve aktüatörlerle eşleştirildi.

Pekiştirmeli‑öğrenme kontrolörü, ısıtma girdilerini plazma basıncı ve iç taşıma bariyerlerini hedefleyecek şekilde yönetti. Yırtılma‑modu kontrolörü, bir kararsızlık ortaya çıkmadan önce elektron siklotron ısıtmasını yönlendirdi. Başka bir model, doğrudan bir aktüatörü kontrol etmeden ani kenar‑yerelleşmiş olayları tahmin etti; bu da PACMAN’ın dış bir kontrolöre de hizmet edebileceğini gösterdi.

Alfvén eigenmode uygulaması, enerjik parçacıklarla ilişkili dalgaları sınıflandırdı ve yanıt olarak nötr‑ışın gücünü ayarladı. En çok hesaplama gücü gerektiren örnek, plazma profillerini daha basit bir gizli temsile sıkıştırdı ve model‑öngörü kontrolüyle yoğunluk ve dönüşü araştırmacı‑tanımlı hedeflere doğru ayarladı.

Bu deneyler, ortak bir çerçevenin neden değerli olduğunu birlikte gösteriyor. Her amaç farklı veri, zamanlama ve donanım gerektiriyor, ancak her ekip tanısal işleme, güvenlik kontrolleri ve aktüatör entegrasyonunu yeniden yaratmak zorunda kalmamalı.

Gerçek Atılım, Daha Hızlı Füzyon Gelişimi

PACMAN, füzyon enerjisinin karşılaştığı bilimsel ve ekonomik engelleri çözmez. DIII-D bir araştırma tesisi, ticari bir jeneratör değil ve deneyler net elektrik üretimini göstermedi. Çerçeve ayrıca milisaniye ölçeğindeki penceresinden daha hızlı gelişen fenomenleri kontrol edemez. Mevcut uygulaması modelleri seri çalıştırır, ancak mimari gelecekte paralel çalışmayı da destekleyebilir.

Kısa vadeli değeri ise geliştirme hızında bulunur. PPPL, çerçeveyi inşa etmenin ve ilk modeli kurmanın aylar sürdüğünü, ikinci modeli eklemenin ise sadece günler aldığını rapor ediyor. Tekrarlanan entegrasyon sorunlarını ortak altyapı haline getirdikçe, araştırmacılar plazma modellerini iyileştirmeye daha fazla, bunların etrafındaki “boruları” yeniden inşa etmeye daha az zaman harcayabilir.

Bu, bir katlanma etkisi yaratabilir. Daha hızlı dağıtım, daha fazla deneysel veri, daha iyi modeller ve giderek daha iddialı işletim rejimlerini getirir. Sonuç, simülasyon, makine öğrenmesi ve fiziksel deneyler arasındaki öğrenme döngüsünün sıkılaşmasıdır.

Bu döngü, AI ve füzyon enerjisi arasındaki bağlantıyı açıklamaya yardımcı olur. AI, veri merkezleri aracılığıyla elektrik talebini artırabilir, ancak aynı zamanda yeni enerji sistemleri geliştirmek için bir mühendislik aracı haline geliyor. Füzyonda, değeri sadece malzeme keşfi ya da deney sonrası analizle sınırlı değil; makineyi doğrudan kontrol etmede de rol alabilir.

Deneysel Yazılımdan Reaktör Altyapısına

Bir sonraki adım, PACMAN’ın tasarım ilkelerinin diğer makinelerde de geçerli olup olmayacağını belirlemek olacak. Tokamaklar, geometrileri, tanı sistemleri, aktüatörleri ve kontrol sistemleri bakımından farklılık gösterir. Yeniden kullanılabilir bir kavramsal mimari, yazılımın her tesise otomatik taşınabilir olmasını garanti etmez.

Yine de çerçeve, gelecekteki reaktörlerde muhtemel kritik öğeleri tanımlıyor: standartlaştırılmış girdiler, değiştirilebilir modeller, açık kontrolör sınırları, aktüatör arabuluculuğu ve AI modelinin dışındaki güvenlik uygulamaları. Ticari sistemler ayrıca yedeklilik, siber güvenlik ve ekipman arızalandığında öngörülebilir yanıtlar da gerektirecek.

Araştırmacılar, çoklu iş parçacığı eklemeyi ve daha hızlı çıkarım için GPU’lar ya da alan‑programlanabilir kapı dizileri (FPGA) araştırmayı planlıyor. Kritik metrik, yalnızca ham model hızı olmayacak. Veri toplama, doğrulama, karar ve eyleme geçme dahil olmak üzere uç‑uç gecikme, bir kontrolörün zamanında müdahale edip edemeyeceğini belirleyecek.

Alphabet Üzerinden AI‑Destekli Füzyona Yatırım

AI ve füzyon araştırmalarının birleşimine halka açık piyasa üzerinden maruz kalmak isteyen yatırımcılar için Alphabet Inc (GOOG ) ilgili, ancak dolaylı bir seçenek sunar. Google, özel füzyon geliştiricisi TAE Technologies ile on yılı aşkın süredir iş birliği yapıyor; makine öğrenmesini plazma yeniden yapılandırma, optimizasyon ve reaktör tasarımına uyguluyor. Google ayrıca TAE’nin 2025 finansman turuna katıldı.

Google’ın katkısı sermayenin ötesine geçiyor. Araştırmacıları, füzyon mühendisleriyle birlikte plazma davranışını yorumlamak ve makine karmaşıklığını azaltmak için çalıştı. 2025’te Google, ortak plazma yeniden yapılandırma çalışmasının TAE’nin füzyon makinesini basitleştirip yeniden inşa etmesine yardımcı olduğunu söyledi. Alphabet ayrıca, planlanan tesisi ticari işletmeye ulaşırsa Commonwealth Fusion Systems’tan enerji satın almayı kabul etti.

Bu, Alphabet’i saf bir füzyon şirketi yapmaz. Füzyon, şu anda reklam, bulut bilişim ve dijital hizmetler tarafından domine edilen bir şirketin küçük ve spekülatif bir parçasını oluşturur. TAE ayrıca DIII-D’de kullanılan tokamak mimarisinden farklı olarak bir alan‑ters konfigürasyon (FRC) kullanıyor. Yine de Google’ın TAE Technologies ile AI iş birliği, sektöre teknik yetenekler sağladığını, gelecekte bir elektrik müşterisi olmayı beklemek yerine gösteriyor.

AI, Füzyon Makinesinin Bir Parçası Haline Geliyor

PACMAN, bir AI modelinin bir kararsızlığı tahmin edip edemeyeceği sorusunun ötesine geçiyor. Daha önemli soru, birçok tahmin ve kontrol sisteminin birlikte çalışabilir, donanımla etkileşebilir ve uygulanabilir güvenlik kurallarıyla sınırlı kalabilir mi sorusudur.

DIII-D deneyleri, bu entegrasyon probleminin çözülebilir olduğunu gösteriyor. PACMAN, beş farklı uygulamayı barındırdı, milisaniye ölçeğinde kararlar verdi ve yeni modelleri tüm kontrol sistemini yeniden tasarlamadan ekleme yolu sundu. Deneysel altyapı olmaya devam ediyor, ancak altyapı izole başarıları tekrarlanabilir ilerlemelere dönüştüren şeydir.

Ticari füzyon hâlâ plazma performansı, malzemeler, yakıt döngüleri, bakım ve tesis ekonomisi konularında ilerlemeler gerektirir. Gerçek‑zamanlı AI kontrolü bu başarıların yerini almaz. Ancak, bunların bir reaktör içinde birlikte çalışmasını sağlayan katman haline gelebilir.

Kaynaklar:

^{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). DIII-D’de bütünleşik AI kontrolünü etkinleştirmek: Son teknoloji deneylerle bir kontrol sistemi tasarımı. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}