Un algorithme en ligne réduit drastiquement les erreurs de prédiction sur les bobines toroïdales du tokamak DIII-D. Le système combine des réseaux profonds et un ensemble guidé par l’incertitude pour fournir des prévisions fiables entre deux tirs, toutes les dix minutes. Cette avance vise à donner aux équipes d’exploitation le temps d’intervenir avant qu’une anomalie matérielle mineure ne prenne de l’ampleur.
DIII-D et les bobines toroïdales de San Diego, élément critique
Le tokamak DIII-D, géré par le General Atomics pour le DOE, s’appuie sur un anneau de bobines toroïdales pour confiner le plasma. Ces bobines supportent des forces mécaniques et thermiques extrêmes, et de petites déviations peuvent affecter la stabilité des expériences. Les tirs se succèdent environ toutes les dix minutes, délai court laissant peu de marge pour la détection et la correction d’un comportement anormal.
Les équipes techniques surveillent des séries temporelles issues de capteurs mécaniques et magnétiques. Ces signaux sont non stationnaires, comportent des dérives lentes et des changements brusques lors des variations du plasma. Le challenge consiste à produire une prévision suffisamment précise et rapide pour éclairer une décision opérationnelle entre deux tirs.
Le travail mené par Jefferson Lab s’appuie sur un jumeau numérique centré sur le système de bobines. Ce modèle numérique alimente en continu les algorithmes qui évaluent déplacements et tendances, et signale les écarts dépassant des seuils prédéfinis, facilitant des interventions ciblées pendant les fenêtres de dix minutes.
Méthode en ligne de Jefferson Lab réduit l’erreur de 80%
Les chercheurs, dont le data scientist Kishan Rajput, ont conçu des réseaux de neurones profonds entraînés en apprentissage en ligne. Contrairement aux modèles statiques, ceux-ci s’adaptent en continu aux nouvelles données issues de chaque tir. Le résultat observé est une réduction moyenne de 80% de l’erreur de prédiction par rapport aux approches traditionnelles entraînées hors ligne.
L’entraînement en ligne permet d’absorber rapidement des dérives de capteurs ou des changements d’état du plasma. Concrètement, un modèle mis à jour après chaque tir corrige des biais qui, sans adaptation, s’accumulent et dégradent la performance prédictive sur l’horizon opérationnel.
Les tests publiés dans Machine Learning with Applications montrent des gains sur des métriques de type RMSE et enveloppes d’incertitude, avec une amélioration notable sur les horizons courts requis par l’exploitation. Ce gain rend la prévision opérationnelle utilisable pour des décisions prises en temps réduit.
Ensemble guidé par l’incertitude: architecture et chiffres clés
La nouveauté centrale est un ensemble de modèles, chacun entraîné sur des fenêtres temporelles légèrement différentes. Certains modules ciblent changements brusques, d’autres dérives lentes. Chaque prédiction est accompagnée d’une estimation d’incertitude, mesurée par la largeur d’une enveloppe d’erreur.
La fusion des sorties s’effectue par pondération inverse de l’incertitude: les modèles avec une enveloppe étroite pèsent davantage. Cette stratégie réduit l’impact des modèles trop confiants mais erronés et privilégie ceux offrant la meilleure précision locale. Dans les expérimentations, l’ensemble a abaissé l’erreur effective de 80% comparé à un modèle statique unique.
Exemples concrets: sur un jeu de données de milliers de pas temporels, l’erreur quadratique moyenne est passée de 0,25 à 0,05 (unités normalisées), et l’intervalle d’incertitude utile a diminué de moitié, facilitant des décisions automatisées ou assistées par opérateur.
Impacts opérationnels: décisions entre deux tirs et maintenance proactive
Avec des tirs toutes les dix minutes, les opérateurs disposent d’une fenêtre temporelle très limitée pour agir. Le système proposé fournit une prévision et un niveau de confiance permettant d’envisager trois réponses: ajustement des paramètres plasma, inspection ciblée, ou maintien de l’exploitation.
Selon Kishan Rajput, l’outil aide à détecter des anomalies mécaniques naissantes avant qu’elles n’altèrent plusieurs tirs. Sur le terrain, cela peut réduire les arrêts non planifiés et limiter les dommages matériels, ce qui a un impact direct sur le rythme des campagnes expérimentales et sur les coûts de maintenance.
À terme, l’intégration en flux continu vers les consoles pourrait transformer la prise de décision: les opérateurs recevront non seulement une alerte mais une recommandation fondée sur la distribution d’incertitude, permettant d’anticiper et de prioriser les interventions sans retarder inutilement la recherche.
| Approche | RMSE normalisé | Intervalle d’incertitude |
|---|---|---|
| Modèle statique unique | 0,25 | Large |
| Ensemble en ligne guidé incertitude | 0,05 | Réduit de 50% |
