Un cadre d'apprentissage automatique prédit les micro-déplacements des bobines du dispositif de fusion DIII-D

Des chercheurs du Thomas Jefferson National Accelerator Facility (Jefferson Lab) du Département de l'énergie des États-Unis (DOE) et leurs collaborateurs ont développé un cadre d'apprentissage automatique capable de prédire les infimes variations des composants critiques d'un dispositif de fusion avant le début de l'expérience suivante. Cette méthode est destinée au DIII-D National Fusion Facility situé à San Diego, et les résultats ont été publiés dans la revue *Machine Learning with Applications*.

Structure interne du tokamak du DIII-D National Fusion Facility. (Image fournie par General Atomics)

Le DIII-D est un dispositif de type tokamak qui utilise de puissants champs magnétiques pour confiner un plasma dont la température dépasse celle du cœur du soleil dans un espace toroïdal. Une série de grandes bobines de champ toroïdal (TF) est disposée autour du dispositif pour générer le champ magnétique nécessaire au confinement du plasma. Bien que ces bobines soient fabriquées et fixées selon des tolérances d'ingénierie strictes, elles peuvent subir des déplacements extrêmement légers entre différentes décharges de plasma, ou « impulsions », en fonction des variations de stabilité du plasma. Ces variations, bien que minimes, peuvent influencer l'état physique pendant les expériences.

Le dispositif DIII-D effectue une décharge de plasma environ toutes les dix minutes. L'équipe de recherche souhaite prédire le mouvement des bobines dans le court intervalle entre deux expériences, afin de permettre aux opérateurs d'ajuster les paramètres du plasma en temps utile ou de planifier une maintenance si nécessaire, évitant ainsi que de petits problèmes ne s'aggravent.

« La technologie que nous avons développée aidera les chercheurs en fusion à détecter les problèmes sur l'installation physique avant qu'ils ne se manifestent réellement. », a déclaré Kishan Rajput, scientifique des données au Jefferson Lab et auteur principal de l'article.

Schéma artistique et coupe transversale du dispositif tokamak DIII-D. (Illustration de General Atomics)

Pour atteindre cet objectif, les chercheurs ont construit un jumeau numérique du système de bobines de champ toroïdal du DIII-D. Ce modèle utilise un réseau de neurones profond entraîné par apprentissage en ligne, capable de se mettre à jour en continu à mesure que de nouvelles données arrivent, contrairement aux modèles statiques traditionnels qui ne s'appuient que sur des données historiques existantes. Rajput a souligné que, en raison de l'évolution constante du comportement du plasma, les données des bobines TF présentent une dérive notable entre les mesures ; si le modèle n'est pas mis à jour avec les nouvelles données, les prédictions risquent de perdre leur fiabilité.

L'équipe de recherche a en outre adopté un modèle d'ensemble en ligne, combinant plusieurs modèles entraînés sur différentes fenêtres temporelles historiques. Certains modèles sont mieux adaptés pour capturer les changements soudains, d'autres pour identifier les évolutions progressives plus lentes, et d'autres encore couvrent les échelles de temps intermédiaires. Le système génère également une estimation d'incertitude pour chaque prédiction et accorde un poids plus important aux modèles présentant une marge d'erreur plus étroite et une confiance plus élevée lors de la combinaison des résultats.

Les résultats des tests montrent que, par rapport aux modèles d'apprentissage automatique statiques traditionnels, la méthode d'apprentissage en ligne peut réduire l'erreur de prédiction de 80 %; en introduisant ensuite la méthode d'ensemble guidée par l'incertitude, l'erreur est encore réduite d'environ 10 % par rapport au modèle en ligne unique. Ces estimations d'incertitude peuvent également servir d'aide à la décision pour les opérateurs du DIII-D.

Cette recherche a été menée en collaboration entre le Jefferson Lab, General Atomics, l'Université de Houston (University of Houston) et le Pacific Northwest National Laboratory. Le DIII-D est une installation utilisateur du Bureau des sciences du DOE, hébergée par General Atomics et soutenue par le Bureau des sciences de l'énergie de fusion du DOE.

Rajput a indiqué que la prochaine étape consistera à continuer de tester le système à l'aide de données historiques pluriannuelles afin de capturer des événements plus rares et d'améliorer les capacités de quantification de l'incertitude. L'équipe de recherche souhaite également montrer plus clairement comment le modèle évolue en fonction des changements d'état du dispositif, améliorant ainsi l'interprétabilité des outils d'intelligence artificielle dans le diagnostic des plasmas de fusion.

Actuellement, ce cadre est déjà prêt à être déployé sur le dispositif DIII-D et peut être adapté selon les besoins pour d'autres dispositifs de fusion. Les chercheurs estiment que la combinaison de l'apprentissage adaptatif, de l'évaluation de l'incertitude et des contraintes de temps de fonctionnement expérimental contribuera à faire passer l'intelligence artificielle d'un outil d'analyse a posteriori à une aide à la décision en temps réel sur les sites d'expériences de fusion.