Au cœur de certains systèmes d’énergie de fusion, des particules plus chaudes que le noyau du Soleil peuvent devenir incontrôlables en quelques millièmes de seconde, bien plus vite que ne peut réagir le moindre opérateur humain. Un nouveau cadre logiciel développé par des chercheurs du Département de l’Énergie des États-Unis (DOE), au sein du Princeton Plasma Physics Laboratory (PPPL), et de l’Université Princeton confie ces décisions prises en une fraction de seconde à l’intelligence artificielle (IA), tout en garantissant la sécurité de la machine et en laissant fermement les humains maîtres des objectifs.
Baptisé PACMAN (abréviation inédite de Prediction And Control using MAchiNe learning, soit prévision et contrôle par apprentissage automatique), ce cadre d’IA a été testé avec succès sur un véritable système de fusion dans le cadre de cinq expériences différentes. La conception du cadre et ses premiers résultats sont détaillés dans un nouvel article publié dans la revue Nuclear Fusion.
La fusion pourrait un jour constituer une source d’électricité pratiquement illimitée. Les scientifiques travaillent sur plusieurs méthodes pour perfectionner ce processus sur Terre, notamment grâce à des dispositifs appelés tokamaks, qui utilisent de puissants champs magnétiques pour confiner un plasma : un gaz électriquement chargé, souvent appelé quatrième état de la matière. Maintenir le plasma chaud, dense et stable exige des ajustements constants du tokamak, qu’il s’agisse de ses systèmes de chauffage, de ses aimants ou de ses injecteurs de gaz. La réaction de fusion peut être contrariée par de petites perturbations du plasma, appelées instabilités, qui se développent en quelques millisecondes.
Allier l’expertise en IA et en plasma pour accélérer les simulations
Le plasma est aussi difficile à prévoir. Les programmes informatiques sophistiqués utilisés pour simuler son comportement peuvent mettre des jours, voire des mois, à s’exécuter. Une approche bien trop lente pour fonctionner en temps réel lors d’une expérience qui ne dure que quelques minutes.
« C’est parfait pour préparer, dans un an, la prochaine expérience, mais pour le contrôle, nous avons besoin de modèles capables de prendre une décision dans l’instant », explique Hiro Farre Kaga, co-premier auteur de l’étude et doctorant au Programme de physique des plasmas de Princeton, un programme conjoint de l’Université Princeton et du PPPL. « Les modèles d’apprentissage automatique décrivent très bien le comportement du plasma et, surtout, ils constituent notre seul moyen de le modéliser à l’échelle de la milliseconde. La vitesse de ces modèles est l’élément clé pour le contrôle. »
Un cadre d’IA unique capable de collaborer avec de nombreux modèles pour faire avancer la recherche sur l’énergie de fusion
L’apprentissage automatique a déjà démontré un immense potentiel pour apprivoiser les plasmas de fusion. Mais la plupart des tentatives visant à l’utiliser pour en contrôler un ont été bâties de toutes pièces, sans principes de conception directeurs garantissant que les modèles puissent se combiner facilement, alors qu’il faut plusieurs modèles pour surveiller et contrôler les différents aspects d’un système de fusion.
« Nous avons développé ce cadre pour que les modèles puissent communiquer, que leurs sorties puissent être partagées et que nous puissions mener une physique captivante au sein d’un système unique et intégré », affirme Andy Rothstein, doctorant au Département de génie mécanique et aérospatial de l’Université Princeton et co-premier auteur de l’article.
Le résultat est une boucle de contrôle impliquant plusieurs modèles d’apprentissage automatique et fonctionnant à un rythme qu’aucun humain ne peut égaler. « Un opérateur humain très concentré peut réagir en l’ordre de quelques secondes », précise Rothstein. « L’ensemble du cadre PACMAN s’exécute généralement en une vingtaine de millisecondes, et il ne tourne pas une seule fois : il fonctionne encore, encore et encore. Il peut détecter d’infimes phénomènes dans le plasma et s’ajuster comme un humain ne pourrait jamais le faire. »
PACMAN fonctionne comme une chaîne de montage à quatre postes. D’abord, il recueille toutes les mesures en temps réel du tokamak, notamment les températures, les densités et les signaux magnétiques. Il vérifie ensuite ces valeurs pour y détecter d’éventuelles erreurs et les regroupe en un seul ensemble. Les modèles d’IA lisent alors les mesures dont ils ont besoin et prédisent ce que fait le plasma ou ce qu’il s’apprête à faire. Les contrôleurs utilisent ensuite ces prédictions pour calculer des commandes, comme augmenter la puissance d’un faisceau de chauffage. Enfin, une étape de sortie arbitre les conflits entre contrôleurs, impose des limites de sécurité matérielles strictes et transmet les commandes au tokamak. Comme chaque modèle et chaque contrôleur fonctionne de manière indépendante, les chercheurs peuvent en ajouter de nouveaux sans perturber le reste.
La preuve dans une véritable expérience d’énergie de fusion
L’équipe a démontré cette flexibilité lors de cinq expériences menées sur le tokamak DIII-D National Fusion Facility du DOE, à San Diego. Au cours de ces expériences, PACMAN a :
- permis à un modèle d’IA entraîné par essais et erreurs — une approche dite d’apprentissage par renforcement — de prendre le contrôle intégral des systèmes de chauffage ;
- prédit les brusques bouffées d’énergie émanant du bord du plasma ;
- détecté et contrôlé les ondes du plasma générées par des particules rapides ;
- ajusté la densité et la rotation du plasma conformément aux cibles fixées par les chercheurs ;
- prédit une instabilité appelée « mode déchirant » (tearing mode) et l’a stoppée avant même qu’elle ne survienne.
Les contrôleurs conventionnels ne peuvent détecter un mode déchirant qu’une fois celui-ci amorcé. « Ils essaient ensuite de le supprimer, ce qui peut s’accompagner d’une forte dégradation des performances », souligne Farre Kaga. « Dans l’une des expériences que nous présentons, un modèle d’apprentissage automatique prédit le mode déchirant environ 200 millisecondes à l’avance, ce qui permet de modifier le plasma pour l’éviter dès le départ. »
Le cadre a également piloté simultanément les six gyrotrons de DIII-D (des systèmes qui chauffent le plasma au moyen de puissants faisceaux de micro-ondes) afin d’atteindre des objectifs complexes fixés à l’avance par les chercheurs, en réorientant les miroirs des gyrotrons et en ajustant leur puissance en temps réel. « Aucun algorithme ne permettait auparavant de trouver cette solution optimale », révèle Farre Kaga. « À la fin du tir, quand nous avons examiné les données, le système faisait exactement ce que nous espérions : déplacer simultanément les six gyrotrons de manière optimale pour atteindre l’objectif. »
Des itérations plus rapides, avec des humains aux commandes
Pour Rothstein, la plus grande surprise a été la rapidité avec laquelle le cadre a prouvé sa valeur. Construire PACMAN et installer le premier modèle a pris des mois. « Puis, quand nous avons intégré le deuxième modèle, cela n’a pris que quelques jours. Les tests ont été plus faciles et il y avait bien moins de bugs », raconte-t-il. « DIII-D est avant tout une machine de recherche, et parfois les choses ne se déroulent pas comme prévu. Si vous pouvez installer un modèle en une semaine, vous pouvez le réentraîner et en installer un nouveau la semaine suivante. Cela rend possibles des itérations jusque-là impossibles. »
Les chercheurs insistent sur le fait que PACMAN ne retire pas les humains du processus. Le cadre applique des limites de sécurité, quelles que soient les suggestions d’un modèle d’IA, et les physiciens examinent chaque expérience pour régler les contrôleurs en vue de la suivante. « Quelle que soit la sophistication de vos contrôleurs, c’est en définitive un opérateur humain qui définit les paramètres de ce contrôle », rappelle Farre Kaga.
Le cadre étant modulaire, ses créateurs estiment que cette approche pourra s’étendre bien au-delà du DIII-D, à des tokamaks de tailles, de formes et d’instruments différents, y compris des machines qui n’ont pas encore été conçues.
« PACMAN repose sur une architecture flexible où des algorithmes d’IA modulaires peuvent être assemblés. On peut en ajouter un nouveau, en remplacer un ou en exécuter plusieurs à la fois sans toucher au reste du système », indique Egemen Kolemen, professeur associé de génie mécanique et aérospatial à l’Université Princeton, également rattaché au Andlinger Center for Energy and the Environment et au PPPL. « Cette modularité transforme le contrôle des plasmas par l’IA : d’une série de démonstrations ponctuelles, elle devient une infrastructure sur laquelle l’ensemble de la communauté de la fusion peut s’appuyer. »
Parmi les autres auteurs de l’article figurent Ricardo Shousha, Keith Erickson et SangKyeun Kim du PPPL, Jalal-ud-din Butt, Peter Steiner et Azarakhsh Jalalvand de l’Université Princeton, ainsi que Takuma Wakatsuki des Instituts nationaux de sciences et technologies quantiques du Japon. Cette recherche a été soutenue par le Bureau des sciences du DOE, qui exploite la DIII-D National Fusion Facility, dans le cadre des subventions DE-FC02-04ER54698, DE-SC0015480 et DE-AC02-09CH11466, ainsi que par la National Science Foundation Graduate Research Fellowship (bourse DGE-2039656).
Le PPPL maîtrise l’art d’utiliser le plasma — le quatrième état de la matière — pour relever certains des défis scientifiques et technologiques les plus ardus au monde. Implanté sur le campus Forrestal de l’Université Princeton, à Plainsboro, dans le New Jersey, notre laboratoire stimule l’innovation dans de nombreux domaines d’application : énergie de fusion, fabrication à l’échelle nanométrique, matériaux et dispositifs quantiques, sciences de la durabilité. L’Université gère le Laboratoire pour le compte du Bureau des sciences du Département de l’Énergie des États-Unis, le premier soutien national de la recherche fondamentale en sciences physiques. Ressentez la chaleur sur https://energy.gov/science et https://www.pppl.gov.
Article : Enabling integrated AI control on DIII-D: a control system design with state-of-the-art experiments – Journal : Nuclear Fusion – DOI : Lien vers l’étude
Source : Princeton U
