Un soupçon de tungstène, et le plasma s'emballe tout seul.

Un réseau de neurones prédit les "éruptions" du plasma 100 ms à l'avance.

Imaginez que votre centrale électrique tousse violemment toutes les quelques secondes — et que vous ne sachiez jamais exactement quand.

Dans un réacteur à fusion, le plasma n'est pas tranquille. Il est traversé régulièrement par des instabilités soudaines appelées ELM — des sortes d'éruptions sur le bord du plasma qui déversent en quelques millisecondes une bouffée d'énergie sur la paroi. Sur un futur réacteur de la taille d'ITER, chaque ELM non contrôlé pourrait endommager les matériaux en contact avec le plasma. Le problème : on ne sait pas exactement quand le prochain va arriver. Une équipe travaillant sur le tokamak DIII-D aux États-Unis vient de montrer qu'un réseau de neurones peut prédire le premier ELM après le démarrage du plasma — et ce, 100 millisecondes avant qu'il se produise. C'est environ deux fois le délai dont on aurait besoin pour intervenir. L'analogie météo s'impose : c'est un peu comme si, au lieu de subir l'orage, vous receviez une alerte fiable dix secondes avant la foudre. Le modèle analyse 50 ms de données issues d'un diagnostic appelé rétrodiffusion Doppler — imaginez un radar pointé sur le bord du plasma, qui mesure en continu la vitesse des turbulences à la périphérie. Il sort une probabilité : dans quel créneau de 50 ms le prochain ELM va-t-il tomber ? Le hic, et il est honnête : les auteurs qualifient eux-mêmes ces résultats d'« initiaux et prometteurs ». Le papier ne donne pas encore de taux de fausses alarmes ni de métriques de précision chiffrées — les données d'entraînement et de test ne sont pas décrites en détail dans la version disponible. Ce sont des résultats préliminaires sur une machine expérimentale, pas un système prêt pour ITER. Mais la direction est la bonne, et l'approche radar-plus-IA mérite qu'on la suive.

Injecter un peu de tungstène dans le plasma le fait tourner deux fois plus vite.

Ajouter une pincée de sel pour que la soupe refroidisse — et découvrir que la soupe se met à tourner toute seule dans la casserole.

Une équipe sur DIII-D a injecté une infime quantité de tungstène dans le cœur d'un plasma chaud — environ 3 atomes de tungstène pour 10 000 atomes du plasma — en utilisant un système appelé Laser Blow-Off, qui envoie littéralement un éclair laser sur une cible de tungstène pour en vaporiser quelques microgrammes. Le résultat était inattendu. Le tungstène rayonne beaucoup, donc il refroidit les électrons. Ça, c'était prévisible. Ce qui l'était moins : ce refroidissement a stabilisé une classe de turbulences appelées modes à électrons piégés — imaginez des tourbillons dans l'eau qui disparaissent quand la température baisse un peu. Ces tourbillons disparus, la résistance au mouvement du plasma a chuté, et le plasma a commencé à tourner sur lui-même deux fois plus vite qu'avant. Sans aucun apport extérieur d'énergie de rotation — à peu près zéro newton-mètre d'impulsion injectée. Pourquoi c'est important ? Dans un réacteur, la rotation du plasma est une barrière naturelle contre les instabilités. Plus il tourne vite, plus il est stable. Jusqu'ici, on injectait des faisceaux de particules pour le faire tourner, ce qui consomme de l'énergie et complexifie la machine. Ici, le refroidissement radiatif fait le travail gratuitement. Le hic : le tungstène peut aussi s'accumuler au centre du plasma et provoquer un effondrement radiatif — le plasma se refroidit trop et s'éteint. Dans cette expérience, une activité MHD particulière (un mode 1/1) a joué un rôle stabilisateur en redistribuant le tungstène. C'est fragile, et reproduire cet équilibre de façon contrôlée sur une machine plus grande reste un défi ouvert.

Un réseau de neurones calcule 23 000 fois plus vite comment l'hydrogène s'infiltre dans les parois.

Calculer comment un atome d'hydrogène se faufile dans du métal prend des heures — sauf si vous laissez faire une intelligence artificielle en 3 millisecondes.

Les parois d'un réacteur à fusion ne sont pas inertes. Bombardées en permanence par des atomes d'hydrogène (et de tritium, sa variante radioactive), elles les absorbent, les retiennent, les relâchent. Comprendre exactement comment ces atomes migrent à l'intérieur du tungstène — le matériau candidat numéro un pour les parois — est crucial : c'est ce qui détermine la durée de vie des parois et la quantité de tritium piégée dans le métal. Le calcul standard pour ça s'appelle la méthode de la bande élastique nudgée — imaginez que vous cherchez le chemin de montagne le plus facile entre deux vallées en tendant un élastique sur le relief atomique. C'est précis, mais c'est lent : plusieurs heures de calcul par barrière de migration sur un ordinateur classique. Une équipe vient de développer un réseau de neurones en 3D — le genre qui analyse des volumes, comme pour reconnaître des organes en IRM — entraîné à prédire ces barrières directement depuis la carte d'énergie locale autour du site de migration. Résultat : une erreur moyenne de 0,124 eV (une précision raisonnable pour ce type de calcul) et un temps d'inférence de 2,7 millisecondes par barrière sur GPU. C'est plus de 23 000 fois plus rapide que la méthode de référence. Le hic, et il est important : le papier ne détaille pas la taille du jeu de données d'entraînement ni les conditions exactes du découpage entraînement/test. Un R² de 0,89 est honnête mais pas parfait — pour des applications critiques de sûreté, on aura besoin de validation beaucoup plus extensive. C'est un accélérateur de simulation, pas encore un outil de certification.

Regardez ces trois résultats ensemble et vous voyez quelque chose d'intéressant : la fusion avance sur deux jambes en ce moment. D'un côté, la physique de base continue de livrer des surprises — on injecte du tungstène pour refroidir et on récupère de la rotation gratuite, un résultat que personne n'avait vraiment prévu. De l'autre, l'intelligence artificielle s'infiltre partout : dans la prédiction des instabilités, dans la simulation des matériaux. Ce n'est pas que les physiciens manquent d'idées — c'est qu'ils manquent de temps de calcul et de vitesse de réaction. Les outils IA ne remplacent pas la physique, ils l'accélèrent. Ce que ces trois papiers ont en commun, c'est qu'ils s'attaquent tous aux maillons les plus fragiles du chemin vers un réacteur commercial : les parois qui s'usent, les instabilités qui frappent, et le plasma qu'on n'arrive pas encore à maîtriser assez vite. C'est là que se joue vraiment la fusion en 2026.

Sur la prédiction des ELMs, gardez un œil sur les prochaines publications de l'équipe DIII-D — la vraie question sera de savoir si le modèle généralise à d'autres machines ou s'il est trop « calibré » sur les données de ce tokamak particulier. Sur le tungstène, WEST en France est précisément la machine conçue pour tester ces régimes de fort rayonnement à plus grande échelle — les résultats DIII-D sont construits sous contraintes de similarité avec WEST, donc une confirmation là-bas serait un signal fort.

• Wikipedia — Les ELMs et le contrôle des instabilités en fusion
• Pour la Science — Le tungstène, matériau-clé des réacteurs à fusion
• ITER Organization — Pourquoi le plasma tourne-t-il ?