Aller au contenu
ATLAS Humain × IA

Référentiel B — capacité IA

IA pour le contrôle de plasma en fusion nucléaire

ScientifiqueGoogle DeepMind, en collaboration avec le Swiss Plasma Center (EPFL)documentéVérifié le

Architecture

Agent d'apprentissage par renforcement entraîné en simulation puis déployé pour contrôler en temps réel les bobines magnétiques d'un tokamak

Capacités clés

  • Contrôle en temps réel de la configuration du plasma dans un réacteur à fusion de type tokamak
  • Capacité à stabiliser des configurations de plasma complexes et variées sans reprogrammation manuelle pour chaque configuration
  • Démonstration publiée en 2022 sur le tokamak expérimental TCV de l'EPFL en Suisse

Usages documentés par secteur

ScienceTRL 7 / 9

Les contrôleurs de Degrave et al. (Nature 602, 16 février 2022) ont été exécutés sur le tokamak TCV réel de l'EPFL, où ils ont produit et stabilisé plusieurs configurations de plasma distinctes : démonstration en environnement opérationnel réel, non en simulation.

Recherche expérimentale en physique des plasmas et fusion nucléaire contrôlée

  • Production et stabilisation de configurations de plasma distinctes sur le tokamak TCV réel de l'EPFL : formes conventionnelles allongées, triangularité négative, configuration en flocon de neige, et deux plasmas simultanés maintenus dans la même enceinte
  • Transfert réussi de la simulation à l'expérience sur un dispositif physique

Sources de cet usage

  1. 1.Degrave et al., « Magnetic control of tokamak plasmas through deep reinforcement learning », Nature 602 (2022)primaire
  2. 2.Accelerating fusion science through learned plasma control (Google DeepMind)primaire

IndustrieTRL non déterminableDiffusion émergente

Accélération potentielle du développement de futurs réacteurs à fusion commerciaux

Sources de cet usage

  1. 1.Degrave et al., « Magnetic control of tokamak plasmas through deep reinforcement learning », Nature 602 (2022)primaire

Limites connues

Démontré à ce jour uniquement sur des tokamaks expérimentaux de taille réduite ; le passage à l'échelle de réacteurs de fusion commerciaux de grande taille reste un défi ouvert, et la fusion nucléaire elle-même n'a pas encore atteint la rentabilité énergétique nette à l'échelle industrielle.

Débats documentés

Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.

Sources

  1. 1.Degrave et al., « Magnetic control of tokamak plasmas through deep reinforcement learning », Nature 602 (2022)primaire
  2. 2.Accelerating fusion science through learned plasma control (Google DeepMind)primaire

Analyses de gap citant cette fiche

Fiches connexes — Scientifique

Données brutes de cette fiche : /api/fiches/ia-pour-le-controle-de-plasma-en-fusion-nucleaire — voir la méthodologie.