L’un des aspects les plus étudiés de la fusion par confinement magnétique est la turbulence du plasma de bord qui est essentielle aux performances et au fonctionnement du réacteur. Abhilas Mathews, doctorant au Département des sciences et de l’ingénierie nucléaires et travaille au Plasma Science and Fusion Center situé au MIT, a entrepris des recherches sur les phénomènes de plasma de bord pour mieux comprendre les mécanismes qui influencent la turbulence et la stabilité dans les plasmas de fusion.
La fusion nucléaire est un phénomène naturel : le soleil transforme des quantités astronomiques d’hydrogène en hélium, produisant ainsi une importante quantité d’énergie. Les chercheurs se mobilisent pour reproduire ce phénomène et démontrer que la fusion d’atomes d’hydrogène est possible. La Chine et les Etats-Unis semblent avoir fait de sérieux progrès technologiques en ce domaine et en France, le projet international ITER avance rapidement lui aussi.
Pour concevoir et développer des réacteurs d’énergie de fusion à confinement magnétique, les chercheurs doivent comprendre le mouvement turbulent des plasmas : un mélange d’ions et d’électrons tourbillonnant dans les cuves des réacteurs. Les particules de plasma, suivant les lignes de champ magnétique dans des chambres toroïdales appelées tokamaks, doivent être confinées suffisamment longtemps pour que les dispositifs de fusion produisent des gains significatifs d’énergie nette, un défi lorsque le bord chaud du plasma (plus d’un million de degrés Celsius) n’est que de quelques centimètres loin des parois solides beaucoup plus froides du navire.
Une nouvelle approche basée sur le Deep Learning
Abhilash Mathews, doctorant au Département des sciences et de l’ingénierie nucléaire, travaillant au Plasma Science and Fusion Center (PSFC) du MIT, a concentré ses recherches sur le bord du plasma. Cette frontière turbulente est essentielle pour comprendre le confinement du plasma, son alimentation et les flux de chaleur potentiellement dommageables qui peuvent frapper les surfaces des matériaux – des facteurs qui ont un impact sur la conception des réacteurs à fusion. Pour comprendre et prédire le comportement du plasma, les chercheurs utilisent des simulations numériques, calculs complexes et chronophages. Des modèles informatiques “réduits” s’exécutant beaucoup plus rapidement, mais avec des niveaux de précision signifiants permettent d’accélérer les travaux de recherche de Braginski.
Depuis des décennies, les scientifiques utilisent la théorie à deux fluides réduite de Braginski pour simuler les plasmas malgré une précision incertaine. Abhilash Mathews combine la physique et l’apprentissage automatique, il explique :
«Une théorie réussie est censée prédire ce que vous allez observer, par exemple, la température, la densité, le potentiel électrique, les flux. Et ce sont les relations entre ces variables qui définissent fondamentalement une théorie de la turbulence. Ce que notre travail examine essentiellement, c’est la relation dynamique entre deux de ces variables : le champ électrique turbulent et la pression électronique.»
Après avoir démontré grâce au deep learning un moyen de calculer le champ électrique turbulent à partir d’une fluctuation de pression d’électrons dans le plasma compatible avec la théorie des fluides réduits, Abhilash Mathew étudie plus en détail cette connexion, en la comparant à des simulations de turbulence de plus haute fidélité. Il constate alors que, dans les plasmas pertinents pour les dispositifs de fusion existants, les champs turbulents prédits du modèle de fluide réduit sont cohérents avec les calculs haute fidélité. En ce sens, la théorie de la turbulence réduite fonctionne. Mais pour le valider pleinement, “il faut vérifier chaque connexion entre chaque variable”, explique Mathews.
Le conseiller de Mathews, le chercheur principal Jerry Hughes, déclare :
«Ce travail montre que, dans le bon ensemble de conditions, les techniques d’apprentissage automatique basées sur la physique peuvent brosser un tableau très complet du plasma de bord fluctuant rapidement, à partir d’un ensemble limité d’observations. Je suis ravi de voir comment nous pouvons appliquer cela à de nouvelles expériences, dans lesquelles nous n’observons pratiquement jamais toutes les quantités que nous voulons.»
Ces méthodes d’apprentissage en profondeur basées sur la physique ouvrent de nouvelles voies pour tester d’anciennes théories et élargir ce qui peut être observé à partir de nouvelles expériences. David Hatch, chercheur à l’Institute for Fusion Studies de l’Université du Texas à Austin, estime que ces applications sont le début d’une nouvelle technique prometteuse. Il déclare :
«Le travail d’Abhi est une réalisation majeure avec un potentiel d’application large.Par exemple, étant donné des mesures diagnostiques limitées d’une quantité de plasma spécifique, l’apprentissage automatique informé par la physique pourrait déduire des quantités de plasma supplémentaires dans un domaine proche, augmentant ainsi les informations fournies par un diagnostic donné. La technique ouvre également de nouvelles stratégies pour la validation des modèles.»
Abhilas Mathews conclut :
«Traduire ces techniques en expériences de fusion pour de vrais plasmas de bord est un objectif que nous avons en vue, et des travaux sont actuellement en cours, Mais ce n’est que le début.»
