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.
1 commentaires
Commentaires sur Hacker News
À noter que https://www.ri.cmu.edu/ai-meets-fusion-cmu-princeton-join-fo... vaut aussi le détour
C’était le lien soumis à l’origine, mais il a été remplacé via https://news.ycombinator.com/item?id=42077657
Ce que j’ai appris aujourd’hui : ce n’était pas juste une combinaison de mots à la mode
https://en.wikipedia.org/wiki/Fusion_power#Machine_learning
Techniquement, ça relève bien de « l’IA appliquée à la fusion », mais difficile d’y voir une percée. Dans presque tous les cas, l’effet de l’IA reste marginal ; ce n’est pas totalement nul, mais on est loin de la communication exagérée qu’on en fait
Il me semble qu’il y avait alors environ 20 minutes d’interruption. À l’époque, on n’appelait pas ça du machine learning, et ce n’était certainement pas du deep learning au sens actuel
Je me demande combien de problèmes vont fondamentalement changer face à des techniques de force brute enfin arrivées à maturité
Si on fait abstraction du langage corporate, on voit beaucoup de choses impressionnantes rendues possibles presque pour la première fois par les réseaux neuronaux
Il y a pas mal de recherche en IA dans la fusion. Dans le confinement inertiel, qui concurrence la fusion par confinement magnétique de type tokamak, la National Ignition Facility (NIF) a utilisé l’IA dans des expériences ayant atteint « l’ignition »
Notre labo collabore avec des chercheurs du Laboratory for Laser Energetics pour améliorer la fusion par confinement inertiel (ICF) avec l’IA. Récemment, nous avons publié un article [1] sur l’usage des Kolmogorov-Arnold Networks (KANs) pour prédire les résultats d’expériences ICF. Les simulateurs physiques actuels reposent sur de vieux codes Fortran, sont lents et présentent un écart important entre les prédictions et les tirs laser réels ; l’un des objectifs est donc de construire de meilleurs prédicteurs avec des réseaux neuronaux. Il est difficile d’itérer rapidement avec des données réelles, et les jeux de données de tirs ICF ne comptent qu’environ 300 exemples, donc il y a un vrai besoin
[1] https://arxiv.org/abs/2409.08832
Même après avoir fait tourner des simulations coûteuses pendant des jours ou des semaines, dans l’expérience il suffisait que la mise au point soit décalée d’un micron pour obtenir des différences d’un ordre de grandeur. Le problème, ce n’est pas le « vieux code Fortran » en lui-même : la physique qu’il contient est correcte. Le vrai problème, c’est qu’on ne peut pas contrôler les conditions initiales, ce qui rend la simulation de tels systèmes difficile
Le code n’est pas de la magie, c’est du code de physique ; en général, il encode la physique liée à l’expérience telle que nous la comprenons. Dire que le modèle physique est faux impose donc une barre bien plus haute, au point de devoir invalider presque 100 ans de physique des plasmas. Ce n’est pas comme la météo où l’on peut lancer des ballons partout dans le monde ; on ne peut pas non plus sonder en permanence chaque micron de la cible jusqu’à la température et à la densité du plasma
Pourquoi ne pas réécrire les algorithmes existants en C et appliquer des techniques modernes ? Comme du multithreading ou du calcul GPU, par exemple. S’il y a de la valeur à en tirer, ça semble faisable, et pas forcément si long
Je me demande s’il existe des ressources ou de la documentation en ligne décrivant les API, logiciels et codes source liés aux projets de ce domaine
Il y a environ 20 ans, quand j’étais étudiant de premier cycle à l’université de Padoue en Italie, il y avait une installation expérimentale de fusion à Legnaro, en périphérie de la ville
L’installation de fusion était dans un bâtiment, et la salle de contrôle dans le bâtiment voisin. À l’époque, on utilisait encore des moniteurs CRT ; à chaque événement de fusion, le champ de confinement magnétique était si fort que l’image de tous les écrans de la salle de contrôle se décalait d’un coup du même côté, puis revenait quand le champ s’éteignait. Et ça malgré la distance entre les bâtiments
Est-ce simplement une annonce de renouvellement de financement ?
« AI for Real-time Fusion Plasma Behavior Prediction and Manipulation - Plasma Control Group » : https://control.princeton.edu/machine-learning-for-rt-profil...
Le « However, uncovering these inter-correlations analytically is too complex to be achieved analytically. » fait pousser un soupir.
C’est bien et même admirable d’être enthousiaste à propos de son travail, mais est-ce qu’on ne pourrait pas un peu mieux retravailler les phrases et arrêter avec les buzzwords promotionnels du genre « groundbreaking », « now.. for the first time », « unprecedented » ? Ce genre de formulations dispersées nuit fortement à la lisibilité de l’argumentation et, franchement, crée même un biais négatif chez le lecteur en sapant la crédibilité.
Les neutrons rendent le matériel radioactif.
Sur Hacker News, beaucoup rêvent de réacteurs à fusion plutôt qu’à fission. Or ces réacteurs à fusion seront de puissantes sources de neutrons rapides, et tout le matériel interne deviendra radioactif. Sans même parler des rayons gamma.
Puisqu’il faudra de toute façon manipuler des matières radioactives, pourquoi ne pas simplement utiliser la fission ? On travaille avec des réacteurs à fission depuis 70 ans, et on sait comment les construire et les exploiter avec plus de 95 % d’efficacité. La fission peut fournir toute l’électricité nécessaire.
Aujourd’hui, 440 réacteurs à fission sont en service dans 32 pays, et 20 % du réseau électrique américain provient de la fission. Si l’on veut développer des technologies énergétiques, il faut se concentrer sur l’amélioration de la fission. Par exemple avec le combustible TRISO (https://news.ycombinator.com/item?id=41898377) ou ce que fait Lightbridge (https://www.ltbridge.com/lightbridge-fuel). Hacker News est hostile à la fission et affiche une attitude défaitiste, incapable d’imaginer une innovation technologique dans ce domaine, mais cette attitude changera peu à peu.
Pour citer John Carmack : « La fusion au deutérium fournirait une source de combustible bon marché et pratiquement infinie, avec un flux de déchets raisonnable, mais comme moyen de produire de la chaleur, elle est presque ridiculement complexe et coûteuse par rapport à la fission. La fission, fondamentalement, c’est plutôt “on met ces cailloux les uns à côté des autres et ils chauffent”. »
1/ L’uranium n’est pas renouvelable, c’est même tout le contraire ; il faut l’extraire et le traiter, cela coûte cher et c’est très polluant. Il n’existe pas à la concentration requise dans la majeure partie du monde, ce qui crée aussi des problèmes géopolitiques.
2/ Les centrales à fission supposent un pays ou un gouvernement qui fonctionne bien, ainsi qu’une situation sans guerre. Même une attaque conventionnelle contre une centrale peut avoir des conséquences dévastatrices et durables, et n’importe quel groupe terroriste pourrait faire ce genre de chose.
3/ J’ai lu ceci : « À terme, les chercheurs espèrent adopter la réaction proton-bore-11, car même si des réactions secondaires sont possibles, elle ne produit pas directement de neutrons. » C’est tiré de Wikipedia, mais je l’ai déjà vu dans d’autres sources.
Donc la fusion ne semble sans doute pas être le meilleur choix à court terme, en raison de la complexité et du coût de la recherche, mais à moyen et long terme elle paraît clairement être la meilleure option. Nous avons déjà fait le choix catastrophique à court terme avec le charbon et le pétrole, donc ce serait bien d’en tirer une leçon.
Ou alors je me trompe complètement.
Si cela désigne l’ensemble du processus permettant d’obtenir de l’énergie ou de l’électricité à partir d’un réacteur, c’est impossible. On reste soumis aux limites du cycle de Carnot. Même les réacteurs les plus avancés, comme les HTGR, tournent autour de 45 % de rendement.
S’il s’agit d’une définition de l’efficacité différente de la norme, il serait bien de la préciser.
[1] https://en.wikipedia.org/wiki/High-temperature_gas-cooled_re...
[0] https://news.ycombinator.com/item?id=41677250
Il existe bien une astuce consistant à utiliser un blindage au lithium pour produire le tritium nécessaire à la fusion, mais je ne sais pas à quel point c’est efficace, surtout du point de vue de la durée de vie du réacteur à long terme. Ces réacteurs coûteront extrêmement cher, donc je ne suis pas certain qu’il soit rentable de les arrêter chaque année pour remplacer tout le blindage en Li.