Physics Attention Transformer Surrogate for Rapid Vertical Instability Growth Rate Prediction: Alcator C-Mod to SPARC

Dans la quête de la construction d'un réacteur à fusion pratique, les scientifiques sont confrontés à un défi persistant et redoutable : maintenir un nuage de plasma surchauffé, plus chaud que le centre du soleil, en suspension dans l'air sans qu'il ne touche les parois de son contenant. Il ne s'agit pas simplement de tenir un ballon ; le plasma est un fluide tourbillonnant et électriquement chargé qui cherche naturellement à s'effondrer ou à jaillir hors de sa cage magnétique. Dans les conceptions les plus avancées, le plasma est étiré en une forme haute et mince pour maximiser l'efficacité, mais cette forme même le rend instable. Si la colonne de plasma s'incline ne serait-ce qu'un peu, elle peut devenir instable et s'écraser contre les parois du récipient en une fraction de seconde, ce qui pourrait endommager la machine et interrompre la réaction. Pour empêcher cela, les systèmes de contrôle doivent détecter les premiers signes de trouble et repousser le plasma à sa place. Cependant, savoir que le plasma a bougé ne suffit pas ; le système doit aussi savoir à quelle vitesse ce mouvement accélère. Si l'instabilité croît trop rapidement, les actions de contrôle standard sont trop lentes pour l'arrêter, et la machine doit se préparer à un arrêt contrôlé pour éviter un désastre.

Le problème est que la méthode la plus précise pour calculer cette vitesse de croissance prend beaucoup trop de temps. Les modèles informatiques actuels, qui font figure de référence, simulant la façon dont le plasma interagit avec les parois métalliques et les bobines magnétiques, nécessitent plusieurs minutes pour effectuer un seul calcul. Dans un système de contrôle en temps réel qui doit prendre des décisions toutes les quelques millisecondes, attendre plusieurs minutes est impossible. Pendant des années, les scientifiques se sont appuyés sur des modèles simplifiés plus rapides qui traitent le plasma comme un objet solide et rigide. Bien que ces modèles soient rapides, ils passent souvent à côté des changements subtils, de type fluide, des courants internes du plasma qui déterminent réellement la vitesse à laquelle une instabilité va croître, surtout dans les formes complexes et de haute performance prévues pour les futurs réacteurs. Une équipe de chercheurs du MIT et de Commonwealth Fusion Systems a maintenant développé une nouvelle approche qui comble ce fossé. Ils ont créé un outil d'intelligence artificielle sophistiqué qui apprend des modèles lents et précis pour prédire la vitesse d'instabilité presque instantanément, tout en cartographiant précisément l'endroit où le plasma se déplace.

Les chercheurs ont entraîné ce nouvel outil, qu'ils appellent « Physics Attention Transformer », sur une vaste bibliothèque de données générées par les modèles lents et de haute fidélité. Cette bibliothèque comprenait des milliers de scénarios de l'expérience Alcator C-Mod, un véritable dispositif de fusion qui a été arrêté, ainsi que des milliers de scénarios synthétiques conçus pour SPARC, un réacteur de fusion compact à champ élevé actuellement en construction. L'objectif était d'apprendre à l'IA à observer l'état du plasma — la forme des champs magnétiques, la position du plasma et les courants dans les bobines environnantes — et à prédire instantanément deux choses : la vitesse à laquelle l'instabilité croît, et une carte détaillée de la manière dont les courants électriques à l'intérieur du plasma changent. L'IA ne se contente pas de deviner un chiffre unique ; elle reconstruit l'ensemble du motif bidimensionnel de la perturbation, permettant aux opérateurs de voir non seulement que le plasma vacille, mais exactement comment il vacille.

Lorsqu'il a été testé sur des données qu'il n'avait jamais vues auparavant, le nouvel outil s'est révélé remarquablement précis. Pour les expériences C-Mod, il a prédit la vitesse de croissance avec une erreur moyenne de seulement 5,4 unités par seconde. Pour les scénarios synthétiques de SPARC, plus complexes, l'erreur était de 12,7 unités par seconde, ce qui constitue néanmoins une amélioration significative par rapport aux modèles simplifiés qui passent souvent à côté de la marque de façon importante. Crucialement, l'outil a également recréé les cartes spatiales de la perturbation avec une erreur d'environ 5 pour cent seulement. Ce niveau de détail est vital car différentes formes d'instabilité nécessitent différentes réponses de contrôle. Les chercheurs ont comparé leur nouvel outil à d'autres méthodes d'apprentissage automatique avancées et ont constaté qu'il les surpassait, particulièrement pour capturer les structures spatiales complexes que les modèles plus simples ne saisissent pas. L'outil a atteint cette vitesse en apprenant à compresser la vaste quantité de données décrivant la forme du plasma en un ensemble plus restreint de caractéristiques clés, un peu comme un humain pourrait résumer une scène complexe en se concentrant sur les éléments les plus importants plutôt que sur chaque détail.

La vitesse était le moteur principal de ce développement, et les résultats montrent un bond en avant spectaculaire. Alors que les modèles traditionnels de haute fidélité prennent environ trois minutes pour calculer un seul scénario, le nouvel outil d'IA peut effectuer le même calcul en environ 35 millisecondes sur un processeur informatique standard. Cela représente une accélération de plus de 5 000 fois, ramenant le temps de calcul à une échelle qui s'insère confortablement dans les boucles de décision rapide d'un système de contrôle de réacteur à fusion. Même lorsque les chercheurs ont testé l'outil sur les conditions plus extrêmes attendues dans le réacteur SPARC — où le plasma est encore plus étiré et les champs magnétiques plus forts — il a maintenu sa précision. L'outil a pu prédire le comportement de ces formes de haute performance avec un niveau de précision suggérant qu'il pourrait être utilisé pour surveiller la stabilité du réacteur en temps réel, alertant les contrôleurs de problèmes potentiels avant qu'ils ne deviennent critiques.

Cependant, les chercheurs précisent avec prudence que cet outil est un substitut, ou un intermédiaire, des modèles de physique complexes, et non un remplacement des lois fondamentales de la physique. Il apprend des modèles existants pour imiter leurs résultats, de sorte que sa précision est liée à la précision des données sur lesquelles il a été entraîné. L'étude souligne également que l'outil n'est pas parfait dans toutes les situations. Il est plus performant lorsque les conditions du plasma sont similaires à celles qu'il a rencontrées lors de son entraînement. Face à des conditions extrêmes très différentes des données d'entraînement, telles que certaines formes de haute performance dans la conception de SPARC, les prédictions de l'outil deviennent moins certaines. Pour gérer cela, les chercheurs ont intégré un système qui mesure sa propre confiance. Si l'outil détecte une situation très différente de son entraînement, il peut signaler la prédiction comme étant incertaine, incitant le système de contrôle à s'appuyer sur des méthodes plus traditionnelles et plus lentes ou à adopter une approche plus conservatrice en matière de sécurité.

Les implications de ce travail dépassent la simple accélération des calculs. En fournissant une vue rapide et détaillée de la stabilité du plasma, l'outil pourrait permettre aux futurs réacteurs d'opérer plus près de leurs limites de performance sans risquer un crash. Il pourrait agir comme un moniteur constant, surveillant la « marge de manœuvre » disponible pour la stabilité et avertissant les opérateurs si le plasma s'approche trop près de la limite de sécurité. Cela permettrait un façonnage plus agressif du plasma pour générer plus de puissance, tout en maintenant une marge de sécurité. Les chercheurs envisagent un avenir où cet outil fonctionnerait aux côtés des principaux systèmes de contrôle, offrant une évaluation rapide de la stabilité qui aide à guider la forme et la position du réacteur. Bien que l'outil lui-même soit une étape importante, les chercheurs soulignent qu'il fera partie d'une architecture de sécurité plus large, travaillant de concert avec d'autres systèmes de surveillance pour assurer le fonctionnement sûr et stable des réacteurs à fusion.

L'étude a également examiné la capacité de l'outil à transférer ses connaissances d'une machine à l'autre. Ils ont entraîné l'IA sur des données de l'expérience C-Mod et l'ont testée sur les scénarios synthétiques de SPARC sans lui présenter de données SPARC au préalable. Les résultats sont mitigés : bien que l'outil puisse faire des estimations approximatives, les erreurs sont plus importantes, et il a fréquemment signalé les conditions de SPARC comme étant incertaines. Cela suggère que, si l'outil peut apprendre des principes généraux du comportement du plasma, il a toujours besoin de données spécifiques de la machine cible pour atteindre le plus haut niveau de précision. Cette conclusion pointe vers une voie de progression pratique : utiliser l'outil pour le filtrage initial et la surveillance, tout en continuant à générer des données de haute fidélité pour les conditions de fonctionnement les plus critiques et extrêmes. Les chercheurs concluent que cette approche offre une nouvelle capacité puissante pour la recherche sur la fusion, transformant un calcul qui prenait autrefois des minutes en une analyse en temps réel qui peut aider à maintenir vivante la promesse de l'énergie de fusion.