Fusion nucléaire : l’IA corrige les erreurs et accélère les prédictions

L’intelligence artificielle (IA) apporte des solutions novatrices aux défis du chauffage du plasma dans la recherche sur la fusion nucléaire. Des modèles d’IA récemment élaborés ont non seulement accéléré les prédictions de manière spectaculaire, mais ont également rectifié des erreurs présentes dans les codes numériques originaux. Ces progrès permettent d’optimiser les expériences de fusion et rapprochent cette technologie d’une application concrète pour la production d’énergie.

Des modèles d’IA aux performances exceptionnelles

Les nouveaux modèles d’intelligence artificielle pour le chauffage du plasma ont démontré des capacités surpassant les attentes initiales. Leur performance se distingue par deux aspects majeurs :

1. Une accélération remarquable des prédictions, multipliant la vitesse par 10 millions tout en préservant la précision.
2. L’aptitude à prédire avec justesse le chauffage du plasma dans des configurations où le code numérique original s’avérait inefficace.

Ces résultats seront exposés le 11 octobre lors de la 66e réunion annuelle de la Division de Physique des Plasmas de la Société Américaine de Physique à Atlanta.

L’IA au cœur de la recherche en fusion

Álvaro Sánchez-Villar, physicien de recherche associé au Laboratoire de Physique des Plasmas de Princeton (PPPL) du Département de l’Énergie des États-Unis (DOE), a expliqué : «Notre intelligence nous permet d’entraîner l’IA à surpasser les limites des modèles numériques existants.»

M. Sánchez-Villar est l’auteur principal d’un nouvel article évalué par des pairs publié dans Nuclear Fusion, issu d’un projet impliquant cinq institutions de recherche.

Les modèles exploitent l’apprentissage automatique, une branche de l’IA, pour anticiper le comportement des électrons et des ions dans un plasma soumis à un chauffage par fréquence cyclotronique ionique (ICRF) lors d’expériences de fusion. L’entraînement de ces modèles s’effectue sur des données générées par un code informatique.

Si la majorité des données concordent avec les résultats antérieurs, certains scénarios extrêmes ont produit des résultats inattendus. M. Sánchez-Villar a précisé : «Nous avons observé un régime paramétrique où les profils de chauffage présentaient des pics erratiques à des emplacements plutôt arbitraires. Aucun phénomène physique n’expliquait ces pics.»

Rectification des erreurs et optimisation des performances

L’implémentation de l’IA a permis de corriger les erreurs du code original. M. Sánchez-Villar a souligné : «Concrètement, notre implémentation de substitution équivalait à rectifier le code original, simplement en se fondant sur une curation minutieuse des données.»

Les modèles ont également optimisé les temps de calcul pour le chauffage ICRF. La durée des calculs a été réduite d’environ 60 secondes à 2 microsecondes, permettant des simulations plus rapides sans compromettre la précision. Cette amélioration aidera les scientifiques et les ingénieurs à explorer les méthodes les plus efficaces pour faire de la fusion une source d’énergie viable.

M. Sánchez-Villar a conclu : «À l’instar de toute technologie, utilisée judicieusement, l’IA peut nous aider à résoudre des problèmes non seulement plus rapidement, mais de manière plus efficace qu’auparavant, et à dépasser nos propres limitations humaines.»

Légende illustration : Álvaro Sánchez-Villar, chercheur associé au laboratoire de physique des plasmas du ministère américain de l’énergie à Princeton, a mis au point de nouveaux modèles d’IA pour le chauffage des plasmas qui augmentent la vitesse de prédiction tout en préservant la précision et en fournissant des prédictions exactes là où les codes numériques d’origine ont échoué. Crédit : Michael Livingston / Service de communication du PPPL

Article : « Real-time capable modeling of ICRF heating on NSTX and WEST via machine learning approaches » – DOI 10.1088/1741-4326/ad645d