Un groupe de recherche a appris à l’IA à manipuler magnétiquement un flux de plasma de haute puissance utilisé pour la recherche sur la fusion – mais attendez ! Rangez vos EMP et vos tournevis, c’est définitivement une bonne chose, pas une arme terrifiante à utiliser contre l’humanité dans la robocalypse à venir.
Le projet est une collaboration entre DeepMind de Google et l’École Polytechnique Fédérale de Lausanne (EPFL) lancée il y a des années lorsque des chercheurs en IA du premier et des chercheurs en fusion du second se sont rencontrés lors d’un hackathon à Londres. Federico Felici de l’EPFL a expliqué le problème que rencontrait son laboratoire avec la maintenance du plasma dans son tokamak.
Une telle plainte quotidienne! Pourtant, cela a touché une corde sensible avec DeepMind et les deux se sont mis au travail.
La recherche sur la fusion est menée de plusieurs façons, mais toutes impliquent des plasmas formés à des températures incroyablement élevées – des centaines de millions de degrés. Cela semble dangereux, et ça l’est, mais un tokamak est un moyen de le garder sous contrôle et de permettre une observation attentive de l’activité de fusion qui se déroule à l’intérieur. Il s’agit essentiellement d’un tore ou d’un beignet à travers lequel le plasma surchauffé se déplace en cercle, son chemin soigneusement restreint par des champs magnétiques.
Pour être clair, ce n’est pas un réacteur à fusion du type dont vous entendez parler pour donner une énergie propre presque illimitée ; il ne produit pas d’énergie, et s’il commençait soudainement, vous ne voudriez pas être à proximité. C’est un outil de recherche pour tester et observer comment ces processus volatils mais prometteurs peuvent être contrôlés et utilisés pour de bon.
En particulier, le tokamak « à configuration variable » du Swiss Plasma Center permet non seulement de confiner un anneau de plasma, mais également aux chercheurs de contrôler sa forme et sa trajectoire. En ajustant les paramètres magnétiques des milliers de fois par seconde, l’anneau peut être rendu plus large, plus fin, plus dense ou diffus, toutes sortes de facteurs pouvant affecter ses qualités.
Crédits image : DeepMind & SPC/EPFL
Les réglages précis des champs magnétiques de la machine doivent être déterminés à l’avance, naturellement, car le coût d’une mauvaise improvisation est potentiellement un dommage sérieux. Les paramètres sont configurés à l’aide d’un puissant simulateur de tokamak et de plasma, que l’équipe met à jour depuis des années. Mais comme l’explique Felici dans un communiqué de presse de l’EPFL : « De longs calculs sont encore nécessaires pour déterminer la bonne valeur de chaque variable du système de contrôle. C’est là qu’intervient notre projet de recherche conjoint avec DeepMind.
Les équipes ont d’abord formé un système d’apprentissage automatique pour prédire quel modèle de plasma un ensemble donné de paramètres produirait, puis pour revenir en arrière à partir d’un modèle de plasma souhaité et identifier les paramètres qui le produiraient. (Simplement dit, pas si simplement réalisé, comme c’est souvent le cas avec des applications d’IA comme celle-ci.)
Selon un article publié aujourd’hui dans la revue Nature, l’approche a été un succès retentissant :
Cette architecture répond à des objectifs de contrôle spécifiés à un haut niveau, tout en satisfaisant aux contraintes physiques et opérationnelles. Cette approche a une flexibilité et une généralité sans précédent dans la spécification des problèmes et donne une réduction notable de l’effort de conception pour produire de nouvelles configurations de plasma. Nous produisons et contrôlons avec succès un ensemble diversifié de configurations de plasma sur le Tokamak à Configuration Variable, y compris des formes allongées et conventionnelles, ainsi que des configurations avancées, telles que la triangularité négative et les configurations en « flocon de neige ».
Et voici quelques exemples de différentes formes et configurations que le modèle a pu produire :
Tranche du « beignet » du tokamak montrant une vue en coupe de l’intérieur et de la poutre. Crédits image : DeepMind & SPC/EPFL
C’est un travail important car expérimenter avec du plasma comme celui-ci – sans parler de l’utiliser pour l’alimentation – implique beaucoup et beaucoup (pensez à des millions) de petits ajustements et ceux-ci ne peuvent pas tous être configurés manuellement. Si une théorie appelle deux flux, l’un 22% plus grand que l’autre, cela peut prendre des semaines ou des mois de travail pour trouver les paramètres théoriques pour produire cela en utilisant des méthodes « traditionnelles » (qui, pour être clair, sont déjà incroyablement complexes simulations numériques). Mais une IA pourrait trouver une bonne correspondance en une infime partie de ce temps, soit en créant la solution sur place, soit en donnant aux auditeurs humains un point de départ solide pour travailler.
Cela pourrait également être important pour la sécurité, car aucun humain ne peut improviser des réglages sur une seconde ou deux qui pourraient contenir une anomalie dans le temps. Mais une IA pourrait être en mesure de modifier les paramètres en temps réel pour éviter les dommages.
Le chercheur de DeepMind, Martin Riedmiller, a admis que c’était « les premiers jours », mais bien sûr, cela peut être dit pour presque toutes les applications d’IA en science. L’apprentissage automatique s’avère être un outil puissant et polyvalent pour d’innombrables disciplines – mais comme de bons scientifiques, ils prennent chaque succès avec un grain de sel et attendent avec impatience le prochain résultat, plus confiant.