L'IA prédit la réussite de la fusion nucléaire, dopant l'énergie propre

L’intelligence artificielle améliore considérablement la quête de la fusion nucléaire, bien que peut-être pas de la manière que l’on pourrait initialement imaginer. Une nouvelle recherche publiée dans Science détaille comment les scientifiques du Lawrence Livermore National Laboratory (LLNL) ont développé un modèle d’apprentissage profond capable de prédire avec précision les résultats d’expériences de fusion complexes à la National Ignition Facility (NIF). Ce modèle révolutionnaire, qui a attribué une probabilité d’ignition de 74 % à une expérience spécifique de 2022, surpasse significativement les méthodes traditionnelles de supercalcul en évaluant une gamme plus large de paramètres avec une plus grande précision.

Kelli Humbird, qui dirige le groupe de simulation cognitive au sein du programme de fusion par confinement inertiel du NIF et est co-auteure de l’étude, a souligné la valeur stratégique du modèle. « Ce qui nous enthousiasme avec ce modèle, c’est la capacité de faire explicitement des choix pour les futures expériences qui maximisent notre probabilité de succès à chaque fois », a-t-elle expliqué. Malgré son échelle et sa sophistication immenses, le NIF ne peut effectuer qu’un nombre limité de « tentatives d’ignition » chaque année – généralement une vingtaine – ce qui rend chaque expérience d’une importance capitale pour l’avancement du domaine.

L’objectif plus large de la recherche sur la fusion nucléaire est d’exploiter une source d’énergie propre et virtuellement illimitée. Contrairement aux centrales nucléaires actuelles, qui dépendent de la fission – la division d’atomes lourds comme l’uranium –, la fusion combine des atomes d’hydrogène légers pour libérer des quantités colossales d’énergie. Ce processus offre des avantages significatifs : il produit beaucoup plus d’énergie et ne génère pas de sous-produits radioactifs nocifs à longue durée de vie, ce qui en fait un candidat idéal pour un avenir énergétique durable. Bien que des progrès prometteurs aient été réalisés, le consensus scientifique reconnaît que la fusion nucléaire à l’échelle commerciale reste une perspective lointaine.

Les expériences de fusion du NIF emploient une approche pilotée par laser. De puissants lasers chauffent un minuscule cylindre d’or appelé hohlraum, le faisant émettre d’intenses rayons X. Ces rayons X compressent ensuite des pastilles de combustible contenant du deutérium et du tritium, deux isotopes de l’hydrogène. Le but ultime est de déclencher suffisamment de réactions de fusion pour que le processus produise plus d’énergie que les lasers n’en ont initialement consommée – un état connu sous le nom d’ignition. Cependant, prédire la physique complexe de ce processus s’est avéré exceptionnellement difficile. Les simulations informatiques traditionnelles, souvent simplifiées pour rester « calculatoirement traitables » (gérables pour le traitement), peuvent introduire des erreurs et nécessitent encore des jours pour terminer leurs exécutions.

Humbird compare la quête de la fusion nucléaire à l’ascension d’une haute montagne inexplorée. Les simulations informatiques existantes servent de « carte imparfaite » qui pourrait guider les chercheurs, mais cette carte elle-même pourrait contenir des défauts, quelle que soit la conception de la recherche. Avec des opportunités limitées de « randonnées » (tentatives d’ignition), chacune représentant une dépense budgétaire substantielle, les chercheurs sont soumis à une immense pression pour prendre des décisions rapides et éclairées concernant leur configuration expérimentale et leurs outils.

Pour surmonter ces obstacles, l’équipe de Humbird s’est lancée dans une « quête cartographique » monumentale. Ils ont méticuleusement compilé un ensemble de données complet en intégrant les données expérimentales du NIF précédemment collectées, des simulations physiques de haute fidélité et des informations précieuses d’experts en la matière. Ce vaste ensemble de données a ensuite été alimenté dans des superordinateurs de pointe, qui ont effectué une analyse statistique consommant plus de 30 millions d’heures de CPU – des millions d’heures de temps de traitement. Cette analyse rigoureuse a permis à l’équipe d’identifier une « distribution des choses qui ne vont pas » au NIF, englobant tout, des légers ratés de laser aux défauts subtils de la cible elle-même.

Le modèle d’IA résultant permet aux chercheurs d’évaluer préventivement l’efficacité de leurs conceptions expérimentales, ce qui entraîne des économies substantielles de temps et d’argent. Humbird elle-même a utilisé le modèle pour évaluer une expérience de 2022, et il a prédit avec précision le résultat de cette exécution spécifique. De manière cruciale, des raffinements ultérieurs de la compréhension physique du modèle ont encore amélioré sa précision prédictive de 50 % à un impressionnant 70 %. Pour Humbird, la force du modèle réside dans sa capacité à reconnaître et même à reproduire les imperfections inhérentes au monde réel – qu’il s’agisse d’un défaut instrumental, d’une limitation de conception ou d’une bizarrerie imprévisible de la nature.

Bien que les progrès rapides soient exaltants, le modèle rappelle que les entreprises scientifiques exigent souvent de la patience et rencontreront inévitablement des revers. « Les gens travaillent sur la fusion depuis des décennies… Nous ne devrions pas être si déçus quand les choses ne fonctionnent pas », a réfléchi Humbird. Elle a souligné les progrès remarquables déjà réalisés, notant qu’un rendement de 1 mégajoule, bien que inférieur à l’idéal de 2 mégajoules, représente un bond en avant considérable par rapport aux 10 kilojoules atteints il n’y a pas si longtemps. Cette avancée incrémentielle, mais significative, représente un grand pas pour la recherche et, espérons-le, une étape cruciale vers l’énergie propre à l’avenir.