ENACT - Développement de méthode d'intelligence artificielle pour caractériser et contrôler les plasma magnétisés et turbulents

Offre de thèse

Date limite de candidature

18-04-2025

Date de début de contrat

01-10-2025

Directeur de thèse

BROCHARD Fréderic

Encadrement

Co-encadrement à 50%, sur la base d'un suivi quotidien complété de réunion bi-mensuelles en présence des deux encadrants

Type de contrat

Financement d'un établissement public Français

Candidater à cette offre

école doctorale

C2MP - CHIMIE MECANIQUE MATERIAUX PHYSIQUE

équipe

DEPARTEMENT 1 - P2M : 107 - Physique des plasmas chauds

contexte

A l'instar d'autres domaines de recherche, l'IA est actuellement en train de révolutionner la recherche en fusion nucléaire, en permettant d'aborder plusieurs défis sous un nouvel angle [Humphreys]. Ce sujet de thèse est centré sur le développement de méthodes et outils IA pour mieux caractériser et contrôler la turbulence plasma dans les installations de recherche en fusion nucléaire. Dans les plasmas confinés magnétiquement, tels que ceux étudiés pour la production d'énergie par fusion, différentes instabilités se nourrissent des gradients de densité, de température, de champ électriques et d'inhomogénéités du champ magnétique []. Ces instabilités génèrent une turbulence qui permet un transport de particule et de chaleur à travers les surfaces de flux magnétique. Afin d'améliorer l'efficacité des réacteurs à fusion, qui devront pouvoir maintenir un plasma stationnaire sur de longues durées afin de produire de l'énergie en continu, il est indispensable de parvenir à mieux contrôler ce transport turbulent. L'IA a d'ores et déjà permis de grandes avancées dans le contrôle des plasmas de fusion : prédiction anticipée des instabilités disruptives [Kates-Harbeck, Vega], contrôle en temps réel de la forme et de la position du plasma [Degrave], amélioration de la performance [Kim]… Dans ce travail de thèse, nous proposons d'utiliser l'IA pour progresser dans la compréhension fondamentale du transport filamentaire dans un tokamak, et pour améliorer le pilotage d'un grand instrument de recherche sur les plasmas magnétisés. Notre équipe fait partie des équipes pionnières dans l'utilisation de l'IA pour l'analyse de données issues de la recherche en fusion, aussi bien pour la détection et le tracking de la turbulence [Chouchene1&2] que pour sa caractérisation dans un vaste jeu de données grâce à des méthodes de data mining [Salazar]. Notre équipe développe en outre une approche intégrée alliant théorie, modélisation et expérimentation, qui offre un cadre de travail stimulant pour le travail proposé.

spécialité

Physique

laboratoire

IJL - INSTITUT JEAN LAMOUR

Mots clés

Intelligence artificielle, plasma, turbulence, traitement de données, contrôle, apprentissage par renforcement

Détail de l'offre

Le travail à réaliser comprend deux volets.

Le premier volet prolongera le travail réalisé au cours de la thèse de S. Chouchène [ChouchenePhD], au cours de laquelle nous avons développé des méthodes d'IA pour analyser la dynamique des filaments de plasma à partir de données d'imagerie ultra-rapide enregistrées dans le tokamak COMPASS (IPP Prague). En faisant du fine tuning de modèles de tracking par IA, nous avons développé une méthode pour détecter et suivre les structures turbulentes avec une efficacité et une rapidité améliorée par rapport à des techniques conventionnelles [Chouchene1]. Il s'agit à notre connaissance de la première application de méthodes de tracking par IA à un milieu fortement turbulent. Nous avons par ailleurs développé une approche originale pour analyser grâce à l'IA les interactions mutuelles entre structures turbulentes [Chouchene2]. Le travail à réaliser s'appuiera sur ces bases, en les actualisant et en les prolongeant d'une approche de type data mining, dans le but d'établir un lien entre les régimes de fonctionnement du tokamak et les propriétés des structures turbulentes. En suivant une approche similaire à [Mathews], nous explorerons également l'utilisation de réseaux de neurones informés par la physique, afin d'améliorer l'interprétation des données expérimentales. Un objectif-clé sera de mesurer la distance d'interaction entre les structures turbulentes, afin de préciser le mécanisme à l'œuvre derrière la coalescence de structures. Ce premier volet s'appuiera sur des données d'imagerie rapide déjà acquises et non encore exploitées.

Le second volet du travail aura pour objectif d'implémenter et tester des méthodes de contrôle en temps réel sur la machine SPEKTRE [EPS]. SPEKTRE, plus grande colonne de plasma magnétisé d'Europe, est un équipement idéal pour mener à bien des recherches sur le transport turbulent et son contrôle. SPEKTRE permettra prochainement de reproduire une turbulence proche de celle rencontrée dans les réacteurs à fusion [Gravier] dans une géométrie plus simple et avec une plus grande accessibilité. Nous développerons une méthodologie s'appuyant sur de l'apprentissage par renforcement, en suivant une approche similaire à [Degrave] mais dans le but de tester des méthodes permettant de contrôler la rotation du plasma, connue pour avoir une forte incidence sur le transport turbulent. Plusieurs types de contrôle sont envisagés, comme l'injection de courant ou d'onde radiofréquences dans le plasma, domaine dans lequel notre équipe possède un véritable savoir-faire. Les modèles développés dans le premier volet de la thèse seront ré-entraînés avec des données expérimentales nouvelles acquises sur SPEKTRE, afin de tenir compte du passage de la géométrie toroidale à la géométrie cylindrique. L'analyse des données de SPEKTRE avec ces modèles permettra de caractériser les propriétés des structures turbulentes, ainsi que la rotation, cisaillée ou non, du plasma dans les différents régimes accessibles. Ceci nous permettra de développer un modèle d'apprentissage par renforcement, que nous ferons évoluer dans l'objectif de permettre d'ajuster les dispositifs de contrôle du plasma à partir de données réduites et accessibles en temps réel, afin d'améliorer le pilotage de SPEKTRE.

Nous sommes confiants que l'approche proposée permettra des avancées significatives pour le contrôle des flux de particules et de chaleur dans les plasmas magnétisés. Même si le travail proposé est relativement conséquent, plusieurs facteurs réduisent les risques : les données requises pour le volet 1 sont déjà à disposition, et le temps expérimental pour le volet 2 est garanti puisque le directeur de thèse est également le responsable de l'équipement. Enfin, un jumeau numérique de l'expérience SPEKTRE étant en développement au sein de l'équipe d'accueil, les approches proposées pourront faire l'objet de confrontations avec des simulations, permettant de produire une validation croisée des résultats.

Keywords

artificial intelligence, plasma, turbulence, signal processing, control, reinforcement learning

Subject details

The work to be carried out is twofold. The first part of the research will build upon the work conducted in S. Chouchène's PhD [ChouchenePhD], where we developed AI methods to analyze plasma filament dynamics using ultra-fast imaging data from the COMPASS tokamak (IPP Prague). By fine-tuning AI tracking models, we created a method for detecting and tracking turbulent structures with improved efficiency and speed compared to conventional techniques [Chouchene1]. To our knowledge, this was the first application of AI tracking methods in a strongly turbulent medium. Additionally, we developed an innovative AI approach to characterize mutual interactions between turbulent structures [Chouchene2]. This research will extend these foundations by incorporating a data mining approach to establish links between tokamak operating regimes and the properties of turbulent structures. Following a similar approach to [Mathews], we will also explore physics-informed neural networks to enhance the interpretation of experimental data. A key objective is to measure interaction distances between turbulent structures to better understand the mechanisms behind structure coalescence. This first part will rely on previously acquired but unexploited fast imaging data from the COMPASS tokamak. The second part of the research will focus on implementing and testing real-time control methods on the SPEKTRE machine [Brochard]. SPEKTRE, the largest magnetized plasma column in Europe, is an ideal facility for studying turbulent transport and its control. This facility, located at IJL, will soon be able to reproduce turbulence similar to that found in fusion reactors [Gravier] but in a simpler geometry with greater accessibility and diagnostic capabilities. We will develop a methodology based on reinforcement learning, following a similar approach to [Degrave] but with a different objective: testing methods to control plasma rotation, which significantly impacts turbulent transport. Several control methods will be considered, such as current injection or radiofrequency wave injection into the plasma—an area where our team has considerable expertise. The models developed in the first part of the PhD will be retrained with new experimental data from SPEKTRE to account for the transition from a toroidal to a cylindrical geometry. Data analysis from SPEKTRE using these models will help characterize turbulent structures and the sheared or unsheared rotation of the plasma column across different accessible regimes. This will enable us to develop a reinforcement learning model, which we will evolve with the aim of adjusting the plasma control devices on the basis of reduced data accessible in real time, in order to improve SPEKTRE's control capabilities. We are confident that the proposed approach will lead to significant advancements in controlling particle and heat fluxes in magnetized plasmas. Although the proposed research is ambitious, several factors mitigate the risks: the required data for the first part is already available, experimental time for the second part is guaranteed since the PhD supervisor is also responsible for the facility, and a digital twin of the SPEKTRE experiment is currently being developed within the hosting team, enabling cross-validation of results through simulations.

Profil du candidat

Le profil recherché est celui d'un candidat fortement motivé par la recherche fondamentale et appliquée, avec une forte appétence pour l'IA et ses applications en physique. Cela nous semble indispensable pour parvenir à suivre et intégrer les principaux développements de l'IA en fusion nucléaire. Une expérience concrète préalable dans l'utilisation de l'IA est fortement souhaitée. Une formation en physique des plasmas serait un plus.

Candidate profile

The profile we are looking for is that of a candidate strongly motivated by fundamental and applied research, with a strong appetite for AI and its applications in physics. We believe this is essential to follow and integrate the main developments in AI in nuclear fusion. Previous practical experience in the use of AI is highly desirable. A background in plasma physics would be a plus.

Référence biblio

[Humphreys] Humphreys, D., Kupresanin, A., Boyer, M.D. et al. Advancing Fusion with Machine Learning Research Needs Workshop Report. J Fusion Energ 39, 123–155 (2020). https://doi.org/10.1007/s10894-020-00258-1
[Garbet] Turbulent transport in fusion magnetised plasmas, Dossier C. R. Physique 7 (6) (2006) 573-699. DOI : 10.1016/S1631-0705(06)00191-5
[Kates-Harbeck ] Kates-Harbeck, J., Svyatkovskiy, A. & Tang, W. Predicting disruptive instabilities in controlled fusion plasmas through deep learning. Nature 568, 526–531 (2019). https://doi.org/10.1038/s41586-019-1116-4
[Vega] Vega, J., Murari, A., Dormido-Canto, S. et al. Disruption prediction with artificial intelligence techniques in tokamak plasmas. Nat. Phys. 18, 741–750 (2022). https://doi.org/10.1038/s41567-022-01602-2
[Degrave] Degrave, J., Felici, F., Buchli, J. et al. Magnetic control of tokamak plasmas through deep reinforcement learning. Nature 602, 414–419 (2022). https://doi.org/10.1038/s41586-021-04301-9
[Kim] S.K. Kim, R. Sousha, S.M. Yang et al., Highest fusion performance without harmful edge density bursts in tokamak. Nature communications 15:3990 (2024). https://doi.org/10.1038/s41467-024-48415-w
[Chouchene1] S. Chouchène, F. Brochard, M. Desecures, N. Lemoine, J. Cavalier, Application of machine learning for detecting and tracking turbulent structures in plasma fusion devices using ultra fast imaging, Sci. Reports 14:27965 (2024)
[Chouchene2] S. Chouchène, F. Brochard, N. Lemoine, J. Cavalier, V. Weinzettl, M. Desecures and the COMPASS team, Mutual interactions between plasma filaments in a tokamak evidenced by fast imaging and machine learning, Phys. Rev. E 109, 045201 (2024). ⟨hal-04531993&#10217;
[Salazar] L. Salazar, S. Heuraux, R. Sabot, A. Krämer-Flecken, Tore Supra Team. Extraction of quasi-coherent modes based on reflectometry data. Plasma Physics and Controlled Fusion, 2022, 64 (10), pp.104007 https://hal.science/hal-03777608v1
[ChouchenePhD] S. Chouchène, Applications de l'intelligence artificielle à la turbulence plasma en fusion nucléaire et aux plasmas d'arc en régime DC, thèse de l'Université de Lorraine, soutenue le 10 décembre 2024.
[Matthews] A. Mathews et al., Uncovering turbulent plasma dynamics via deep learning from partial observations. Physical review. E, 104 2-2 :025205, 2020.
[Brochard] F. Brochard, S. Heuraux, G. Urbanczyk et al. (2023) 49th EPS Conference on Contr. Fusion and Plasma Phys. – 'SPEKTRE, a linear radiofrequency device for investigating edge plasma physics.' &#10216;hal-04171543&#10217;
[Gravier] E. Gravier, F. Brochard, M. Lesur et al., Drift waves and Ion Temperature Gradient instabilities in the large linear device SPEKTRE, Physics of Plasma (2024) https://hal.science/hal-04733195