La fusion nucléaire, souvent perçue comme le Graal de l’énergie propre, nécessite une maîtrise précise de nombreux paramètres pour maintenir un plasma performant. Les chercheurs, en quête de conditions optimales, se heurtent à des défis complexes, notamment les éruptions d’énergie à la périphérie du plasma, qui nuisent à la performance globale et endommagent les composants du réacteur.
Un groupe de chercheurs en fusion, dirigé par des ingénieurs de Princeton et du Princeton Plasma Physics Laboratory (PPPL) du Département de l’Énergie des États-Unis, a récemment mis en œuvre des méthodes d’apprentissage automatique pour supprimer ces instabilités périphériques sans compromettre la performance du plasma.
Grâce à leur approche, qui optimise la réponse de suppression du système en temps réel, l’équipe de recherche a démontré la plus haute performance de fusion sans la présence d’éruptions périphériques dans deux installations de fusion distinctes, chacune avec ses propres paramètres de fonctionnement. Les résultats soulignent le potentiel immense de l’apprentissage automatique et d’autres systèmes d’intelligence artificielle pour éliminer rapidement les instabilités du plasma.
Les coûts de la haute confinement
Les chercheurs expérimentent depuis longtemps diverses méthodes pour faire fonctionner les réacteurs de fusion afin d’atteindre les conditions nécessaires à la fusion. L’une des approches les plus prometteuses consiste à faire fonctionner un réacteur en mode de haute confinement, caractérisé par la formation d’un gradient de pression abrupt à la périphérie du plasma, offrant une meilleure confinement du plasma.
Cependant, le mode de haute confinement s’accompagne historiquement d’instabilités à la périphérie du plasma, un défi qui a poussé les chercheurs en fusion à trouver des solutions créatives. Une solution consiste à utiliser les bobines magnétiques entourant un réacteur de fusion pour appliquer des champs magnétiques à la périphérie du plasma, brisant les structures qui pourraient autrement se développer en une instabilité périphérique complète. Cependant, cette solution est imparfaite : bien qu’elle stabilise le plasma, l’application de ces perturbations magnétiques conduit généralement à une performance globale inférieure.
Augmenter la performance en réduisant le temps de calcul
L’approche d’apprentissage automatique de l’équipe dirigée par Princeton réduit le temps de calcul de dizaines de secondes à l’échelle de la milliseconde, ouvrant la porte à une optimisation en temps réel. Le modèle d’apprentissage automatique, qui est un substitut plus efficace des modèles basés sur la physique existants, peut surveiller l’état du plasma d’une milliseconde à l’autre et modifier l’amplitude et la forme des perturbations magnétiques selon les besoins. Cela permet au contrôleur de trouver un équilibre entre la suppression des éruptions périphériques et la haute performance de fusion, sans sacrifier l’un pour l’autre.
« Avec notre modèle de substitution basé sur l’apprentissage automatique, nous avons réduit le temps de calcul d’un code que nous voulions utiliser de plusieurs ordres de grandeur », a déclaré Ricardo Shousha, co-premier auteur et chercheur postdoctoral au PPPL.
Vers une application mondiale
Parce que leur approche est finalement ancrée dans la physique, les chercheurs ont déclaré qu’il serait simple de l’appliquer à différents dispositifs de fusion à travers le monde. Dans leur article, par exemple, ils ont démontré le succès de leur approche à la fois sur le tokamak KSTAR en Corée du Sud et sur le tokamak DIII-D à San Diego. Dans les deux installations, qui ont chacune un ensemble unique de bobines magnétiques, la méthode a permis d’obtenir un confinement fort et une haute performance de fusion sans éruptions périphériques nuisibles.
« Certaines approches d’apprentissage automatique ont été critiquées pour être uniquement basées sur les données, ce qui signifie qu’elles ne sont aussi bonnes que la quantité de données de qualité sur lesquelles elles sont formées », a précisé Ricardo Shousha. « Mais comme notre modèle est un substitut d’un code physique, et que les principes de la physique s’appliquent partout de la même manière, il est plus facile d’extrapoler notre travail à d’autres contextes. »
Améliorations futures et perspectives
L’équipe travaille déjà à affiner leur modèle pour le rendre compatible avec d’autres dispositifs de fusion, y compris les réacteurs futurs prévus comme ITER, actuellement en construction. Un domaine de travail actif consiste à améliorer les capacités prédictives de leur modèle. Par exemple, le modèle actuel repose encore sur la rencontre de plusieurs éruptions périphériques au cours du processus d’optimisation avant de fonctionner efficacement, posant des risques indésirables pour les futurs réacteurs. Si les chercheurs peuvent améliorer la capacité du modèle à reconnaître les précurseurs de ces instabilités nuisibles, il pourrait être possible d’optimiser le système sans rencontrer une seule éruption périphérique.
Le responsable de la recherche, Egemen Kolemen a déclaré que le travail actuel est un autre exemple du potentiel de l’IA pour surmonter les goulots d’étranglement de longue date dans le développement de l’énergie de fusion comme ressource énergétique propre. Auparavant, d’autres scientifiques ont déployé avec succès un contrôleur IA distinct pour prédire et éviter un autre type d’instabilité du plasma en temps réel sur le tokamak DIII-D.
« Pour de nombreux défis que nous avons rencontrés avec la fusion, nous sommes arrivés à un point où nous savons comment aborder une solution, mais nous avons été limités dans notre capacité à mettre en œuvre ces solutions par la complexité computationnelle de nos outils traditionnels », a indiqué Egemen Kolemen. « Ces approches d’apprentissage automatique ont ouvert de nouvelles façons d’aborder ces défis bien connus de la fusion. »
Légende illustration : Représentation d’un tokamak – Crédit Bumper DeJesus
Article : « Highest fusion performance without harmful edge energy bursts in tokamak » – DOI: 10.1038/s41467-024-48415-w
