Sophelio lance le Défi de l'équilibre de fusion, ouvrant les ensembles de données expérimentales DIII-D et MAST

Le 11 août, Sophelio a lancé le “Défi de l'équilibre de fusion” (Fusion Equilibrium Challenge). Cette compétition a été intégrée au volet compétition de la Conférence sur les systèmes de traitement de l'information neuronale (NeurIPS) 2026, devenant ainsi le premier défi lié à l'énergie de fusion à rejoindre ce volet.

Organisé conjointement par Sophelio, l'installation nationale de fusion DIII-D (DIII-D National Fusion Facility), le projet FAIR-MAST de l'Autorité britannique de l'énergie atomique (UKAEA) et l'Institut de recherche sur la fusion (IFS) de l'Université du Texas à Austin, le défi héberge ses données sur la plateforme Hugging Face. Ouvert à la communauté mondiale de l'apprentissage automatique, il demande aux participants de reconstruire les structures magnétiques non directement observables dans les plasmas de fusion confinés, en s'appuyant uniquement sur les mesures de diagnostics non magnétiques.

Les organisateurs indiquent que les futurs dispositifs de fusion à l'échelle d'un réacteur, tels qu'ITER, SPARC, ARC et le réacteur expérimental de fusion en ingénierie chinois (CFETR), fonctionneront dans des environnements à flux neutronique élevé. De tels environnements peuvent affaiblir les performances des capteurs magnétiques traditionnels, tandis que la dérive des intégrateurs de champ en régime de fonctionnement à longue impulsion affecte également la fiabilité des mesures magnétiques. Par conséquent, la capacité à effectuer une inférence d'équilibre lorsque les diagnostics magnétiques sont indisponibles, dégradés ou limités est considérée comme l'un des problèmes clés pour l'exploitation des futures centrales à fusion.

Le défi examine en particulier si les modèles d'apprentissage automatique peuvent reconstruire la géométrie du champ magnétique du plasma confiné — y compris la carte complète du flux poloidal bidimensionnel ψ(R,Z) et les paramètres d'équilibre clés — en s'appuyant sur des caractéristiques non magnétiques telles que les courants des bobines de champ poloïdal et les profils électroniques de diffusion Thomson. Si des progrès sont réalisés sur ces méthodes, cela pourrait contribuer à réduire la dépendance des futurs systèmes de fusion à l'échelle d'un réacteur vis-à-vis de diagnostics magnétiques complexes et soutenir des schémas de fonctionnement diagnostique simplifiés.

L'ensemble de données ouvert publié dans le cadre de ce défi est distribué sous licence CC BY 4.0 et comprend des données de 9 121 décharges de plasma provenant de deux tokamaks expérimentaux. Parmi celles-ci, 7 915 proviennent de l'installation nationale de fusion DIII-D située à San Diego, et 1 206 proviennent des données du dispositif MAST publiées dans le cadre du projet FAIR-MAST de l'UKAEA.

Le défi examinera également une question inter-dispositifs : les modèles d'apprentissage automatique apprennent-ils uniquement des corrélations spécifiques à un dispositif donné, ou peuvent-ils développer des représentations généralisables applicables à différentes géométries, configurations de diagnostic et conditions de fonctionnement ? Cette question a une incidence directe sur la transférabilité des modèles de reconstruction d'équilibre de fusion vers de futurs dispositifs.

Craig Michoski, cofondateur et directeur général de Sophelio, a déclaré que les avancées majeures dans le domaine de l'apprentissage automatique reposent généralement sur des ensembles de données ouverts et des références de test significatives, et que le domaine de la fusion a besoin d'une transition similaire. En impliquant les chercheurs en intelligence artificielle dans des problèmes concrets orientés vers les futurs réacteurs, les organisateurs espèrent favoriser un développement conjoint de l'apprentissage automatique et de la recherche sur l'énergie de fusion.

Outre les données déjà publiées, DIII-D, en tant qu'installation expérimentale toujours en fonctionnement, poursuivra ses activités expérimentales. Le projet prévoit d'organiser des expériences de suivi ciblant les points faibles révélés par ce défi, en mettant l'accent sur les conditions de diagnostic où les performances des modèles de reconstruction sont les plus faibles.

Les participants peuvent utiliser l'outil de bureau gratuit d'annotation de données fusion (dFL) développé par Sophelio pour visualiser chaque décharge de l'ensemble de données. Cet outil prend en charge le traitement de données de capteurs multimodaux et permet d'examiner les contours de flux magnétique, les profils de diffusion Thomson et les séries temporelles de diagnostic, aidant ainsi les participants à comprendre les caractéristiques des données avant la modélisation et l'évaluation.

Actuellement, la première phase du défi est ouverte, avec un classement public Codabench. La deuxième phase devrait démarrer en octobre 2026, et les résultats finaux seront annoncés en décembre 2026 lors de NeurIPS 2026. Des récompenses en espèces seront décernées respectivement au meilleur modèle de reconstruction intra-dispositif et au modèle présentant la meilleure capacité de généralisation inter-dispositifs en condition zéro-shot. Les équipes les plus performantes auront également l'opportunité de contribuer à la rédaction d'un article de synthèse sur l'expérience du défi et seront invitées à présenter leurs résultats lors de l'atelier compétition de NeurIPS.