Fusion : l'IA prend les commandes, du plasma aux prédictions

Un gigawatt de fusion dans ARC sans brûler les murs

Plus vous chauffez le plasma, plus vous risquez de détruire les parois qui le contiennent — c'est le paradoxe central de la fusion depuis cinquante ans.

Voici le problème. Pour obtenir plus d'énergie de fusion, il faut chauffer le plasma à des températures extrêmes. Mais ces températures créent un flux de chaleur intense sur les parois du réacteur — en particulier sur une zone appelée le diverteur, qui récupère les particules qui s'échappent. C'est un peu comme vouloir cuire quelque chose à dix millions de degrés dans une casserole ordinaire : la casserole ne tient pas. Une équipe de MIT et de Commonwealth Fusion Systems a modélisé ce compromis pour ARC, leur réacteur compact en cours de conception. La question posée : peut-on atteindre 750 à 1000 MW de puissance de fusion — soit l'équivalent d'une centrale nucléaire classique — tout en maintenant la température sur le diverteur en dessous de 2 électronvolts ? Pour donner un repère : 2 eV, c'est environ 23 000°C — très chaud pour nous, mais gérable pour le tungstène qui compose ces parois. Leur réponse : oui, à condition d'injecter une petite quantité d'argon dans le plasma. L'argon joue le rôle d'un pare-chocs thermique : il rayonne une partie de l'énergie avant qu'elle n'atteigne les parois. Le néon fait la même chose, mais moins bien — il s'accumule trop dans le cœur du plasma et dégrade les performances globales. Le hic : c'est de la modélisation, pas de l'expérimentation. Le modèle couple plusieurs codes sophistiqués sans quantification formelle des incertitudes — les auteurs explorent une gamme de paramètres, mais sans barres d'erreur. ARC n'existe pas encore. Ces résultats guident sa conception, ils ne la valident pas.

Prédire les pannes plasma d'un réacteur qu'on n'a jamais testé

Imaginez former un médecin sur des patients français, puis lui demander de diagnostiquer des patients japonais — sans qu'il ait jamais vu un dossier médical nippon.

Les disruptions, c'est le cauchemar des physiciens de la fusion. Le plasma — chauffé à 100 millions de degrés et maintenu en lévitation par des aimants — perd brutalement sa cohérence en quelques millisecondes. La chaleur et les forces mécaniques se déversent sur les parois. Dans un futur réacteur commercial, une disruption non maîtrisée pourrait endommager la machine de façon irréversible. Pour les prédire, les équipes entraînent des algorithmes sur des milliers de décharges plasma. Le problème : chaque tokamak a sa propre géométrie, ses propres capteurs, ses propres habitudes plasma. Les données d'une machine ne se transfèrent pas directement à une autre — exactement comme un modèle médical entraîné sur un type d'imagerie qui ne reconnaît pas les images d'un autre appareil. Une équipe de l'Université de Technologie de Huazhong a proposé une réponse : générer des données synthétiques du réacteur cible à partir de simulations physiques, puis ajuster le modèle pour qu'il reconnaisse les signatures de l'autre machine. Concrètement, ils ont entraîné leur algorithme sur le tokamak EAST en Chine, puis l'ont déployé sur J-TEXT — un autre tokamak chinois — sans jamais utiliser les données expérimentales de J-TEXT pour l'entraînement. Résultat : le taux d'alerte précoce correcte est passé de 50% à 57% sur 1596 décharges. Ce n'est pas spectaculaire — et soyons honnêtes, 57% signifie encore 43% de disruptions non anticipées. Mais c'est une preuve de concept importante. Le hic : les deux machines testées se ressemblent. Qu'est-ce qui se passe quand on applique cette méthode à des réacteurs vraiment différents, comme ITER ? On ne sait pas encore.

Un réseau de neurones pilote la forme du plasma dix fois plus vite

Votre GPS met deux secondes à recalculer votre itinéraire — dans un tokamak, ce délai peut suffire à perdre le plasma.

Pour contrôler la forme du plasma dans un tokamak, les ingénieurs ont besoin de savoir à chaque instant exactement où il se trouve — sa forme, sa position, ses bords. Ce calcul s'appelle la reconstruction d'équilibre. C'est comme avoir un GPS qui recalcule votre position en permanence, sauf que vous pilotez un plasma à 100 millions de degrés et que le moindre retard peut vous faire perdre le contrôle. Le problème : les codes de reconstruction classiques prennent environ 200 microsecondes par calcul, ce qui limite le contrôle à environ 1000 mises à jour par seconde. C'est déjà très rapide pour un humain, mais trop lent pour un plasma qui évolue sur des échelles de temps bien plus courtes. Une équipe de l'École Polytechnique Fédérale de Lausanne a entraîné un réseau de neurones — dit « physics-informed », c'est-à-dire que les équations physiques sont intégrées directement dans son architecture, pas juste dans ses données — sur 10 000 décharges du tokamak TCV couvrant trois ans d'opération. Ce réseau produit le même résultat que le code classique, mais en moins de 100 microsecondes. Dix fois plus vite. Ce gain permet un contrôle à 10 000 mises à jour par seconde. Ce qui est important ici : le modèle n'a pas seulement été testé sur papier. Il a été déployé en conditions réelles sur TCV et a piloté la forme du plasma avec succès. C'est une validation expérimentale. Le hic : le modèle est entraîné spécifiquement pour TCV. Il ne se transfère pas automatiquement à d'autres machines. Et ces 10 000 décharges d'entraînement représentent un luxe que les nouveaux réacteurs — qui n'ont encore jamais fonctionné — n'ont pas.

Ces trois papiers ne parlent pas du même problème, mais ils racontent la même transformation. La fusion est en train de devenir un problème de logiciel autant que de physique. ARC montre que les simulations intégrées sont assez matures pour guider la conception d'un réacteur complet — avec la gestion simultanée du plasma central et des parois. Le papier sur les disruptions montre qu'on commence à envisager le déploiement d'algorithmes sur des machines que ces algorithmes n'ont jamais vues. Et le TCV montre qu'un réseau de neurones peut piloter un vrai réacteur en temps réel avec une précision comparable au code de référence. Ce n'est pas « l'IA va sauver la fusion ». C'est plus précis que ça : les outils numériques atteignent une maturité suffisante pour être testés sur du métal et du plasma, pas seulement sur des ordinateurs. C'est un changement de phase dans la méthode de travail — et c'est peut-être plus important que n'importe quelle découverte physique individuelle.

Le vrai test pour la prédiction de disruptions sera de voir si ces méthodes de transfert tiennent sur des machines radicalement différentes — ITER en particulier, dont la géométrie n'a aucun équivalent actuel. Du côté d'ARC, la question ouverte est simple : quand Commonwealth Fusion Systems passera-t-il de la modélisation à la première décharge plasma de SPARC, prévue autour de 2025-2027 ? C'est là que les modèles d'aujourd'hui seront confrontés à la réalité.

• Wikipedia — Tokamak (FR)
• IAEA — Nuclear Fusion research overview
• arXiv — Papier ARC complet