Un framework d’IA réduit de 80 % les erreurs de prédiction du matériel de fusion

Dans la salle de contrôle de DIII-D, à San Diego, le délai entre deux expériences de fusion peut ne laisser aux opérateurs qu’environ 10 minutes pour comprendre ce qui vient de se passer. Le plasma de la machine peut atteindre des températures supérieures à celle du cœur du Soleil, tandis que les grands aimants qui l’entourent peuvent légèrement se déplacer d’un « tir », ou d’une expérience, à l’autre. Un nouveau framework d’apprentissage automatique a réduit de 80 % l’erreur de prédiction de ces changements matériels par rapport à un modèle statique classique.

DIII-D est un tokamak, une machine de fusion en forme d’anneau qui utilise des champs magnétiques pour confiner un plasma extrêmement chaud. Ses bobines de champ toroïdal — les grands aimants qui entourent le plasma — sont fabriquées selon des tolérances strictes, mais elles ne sont pas parfaitement immobiles. Lorsque la stabilité du plasma évolue, les bobines peuvent se comporter différemment. Un modèle entraîné une seule fois sur des données historiques peut ne pas détecter cette dérive.

La réponse des chercheurs est l’apprentissage en ligne : de nouvelles informations sont injectées en continu dans le système, ce qui lui permet de s’ajuster à mesure que les conditions évoluent. Ils ont ajouté un ensemble de modèles entraînés sur des horizons temporels historiques différents, afin que l’un puisse réagir aux changements soudains tandis que les autres captent les évolutions plus lentes. Chaque prévision inclut également une estimation d’incertitude, qui indique aux opérateurs le degré de confiance à lui accorder.

L’ensemble guidé par l’incertitude a réduit l’erreur de prédiction d’environ 10 % supplémentaires par rapport à l’apprentissage en ligne standard fondé sur un modèle unique. Les chercheurs décrivent le résultat comme un jumeau numérique — une réplique virtuelle du système de bobines à laquelle on peut fournir des paramètres de fonctionnement pour anticiper la réaction possible de la machine physique. Ils affirment que le framework est prêt à être déployé sur DIII-D et pourrait potentiellement être adapté à d’autres machines de fusion.

Alors, concrètement ? Avant le début d’un tir, les opérateurs pourraient utiliser la prédiction pour modifier les paramètres du plasma ou examiner les besoins de maintenance, au lieu de découvrir un problème matériel seulement après qu’il a affecté une expérience. Le court délai entre deux tirs pourrait ainsi être mieux exploité. Les limites sont claires : le système doit encore être exécuté sur plusieurs années de données, être confronté à des événements plus rares et devenir plus facile à interpréter avant que les chercheurs puissent évaluer pleinement sa fiabilité pour soutenir les opérations.