Technologies d’IA pour prédire et piloter en temps réel le comportement du plasma de fusion nucléaire

Utilisation de l’IA pour prédire et piloter en temps réel le comportement du plasma de fusion nucléaire

• Super-résolution multimodale : les systèmes complexes non linéaires régis par de multiples échelles spatiales, temporelles et physiques ne peuvent pas être entièrement compris à l’aide d’un seul diagnostic. La combinaison de plusieurs diagnostics entraîne des projections incomplètes de la physique du système. Il est possible de combler ces lacunes en identifiant les intercorrélations cachées. Pour cela, une méthodologie innovante de machine learning est introduite. Cette approche aide à traiter les instabilités du plasma telles que les modes localisés de bord (ELM).

• Contrôle en temps réel des profils par machine learning : divers « actionneurs » sont utilisés pour contrôler le plasma dans un tokamak. Le contrôle prédictif par modèle peut augmenter le taux de réussite des expériences de physique et faire gagner du temps. Comme les modèles physiques en temps réel ne sont pas toujours exacts, des modèles de machine learning ont été développés pour générer des prédictions en moins de 100 microsecondes à partir des seuls diagnostics temps réel.

Surveillance du comportement du plasma grâce à des diagnostics haute résolution

• Détection et classification des instabilités : des recherches sont menées pour détecter et classifier les instabilités du cœur du plasma à partir de signaux d’émission cyclotronique électronique. L’utilisation de modèles de machine learning comme les Reservoir Computing Networks a démontré son efficacité pour le traitement de données temporelles en séries chronologiques.

• Amélioration de la précision et de la portée des données de diagnostic : la précision et la couverture des données de diagnostic sont essentielles pour comprendre les performances optimales des dispositifs de recherche sur la fusion et des réacteurs. Des approches fondées sur le machine learning permettent de reproduire les signaux de diagnostic et d’améliorer la visualisation des signaux.

Validation croisée et vérification d’une vaste base de données de modèles de transport pour tokamak

• Amélioration de la fiabilité des prédictions de transport dans les tokamaks : des décharges DIII-D sont utilisées pour garantir une significativité statistique et accroître la fiabilité des modèles prédictifs. Les solveurs de transport 1D ASTRA et TRANSP ont été validés et ont montré une grande précision pour prédire l’énergie stockée, mais n’ont pas présenté d’avantage statistique par rapport à de simples modèles empiriques pour la prédiction des profils de température du plasma.

Séparation radiative stable du divertor via un proxy frontal des émissions carbone-III en temps réel

• Détachement stable du divertor : cela permet au tokamak de conserver un bon confinement tout en évitant d’endommager les plaques du divertor sous l’effet d’un flux thermique excessif. Des algorithmes de machine learning permettent de déterminer directement la valeur de détachement depuis n’importe quel point du tokamak et, si nécessaire, d’ajuster les signaux d’actionnement.