Comment les défis de la fusion font évoluer l’intelligence artificielle
L’intelligence artificielle a progressé à grande vitesse en apprenant à partir d’immenses volumes d’informations numériques — textes, images, code informatique et vidéos collectés à l’échelle d’Internet. L’énergie de fusion lui pose cependant un défi d’une tout autre nature.
Dans le domaine de la fusion, les données sont souvent rares, coûteuses à produire, dispersées dans des systèmes hérités du passé et liées à des phénomènes physiques évoluant en temps réel. Les modèles de calcul doivent composer avec le comportement non linéaire du plasma et des systèmes d’ingénierie complexes afin de prédire le fonctionnement de machines appelées à opérer dans des régimes jamais atteints auparavant.
Ces enjeux ont été au cœur de l’atelier public-privé organisé par ITER les 28 et 29 avril 2026. Quatre intervenants — Simon McIntosh (ITER), Antonio Policicchio (NTT Data Italie), Tom Gibbs (NVIDIA) et Thomas Kopinski (Gaia Lab) — y ont présenté la manière dont l’intelligence artificielle (l'IA) commence à soutenir la construction, la maintenance, la simulation et les futures opérations des projets de fusion.
Leur message est clair : la fusion n’est pas simplement un nouveau cas d’usage de l’IA. À certains égards, elle pourrait même contribuer à faire évoluer cette technologie.
Quand les données sont difficiles à obtenir
La plupart des systèmes d’intelligence artificielle modernes bénéficient d’une abondance de données numériques. « Pour les grands modèles de langage et les agents d’IA, les données sont peu coûteuses, mais l’entraînement est extrêmement onéreux », a expliqué Tom Gibbs lors de l’atelier. « Dans le cas de l’IA physique — c’est-à-dire les applications qui apprennent à partir de systèmes réels plutôt que de contenus numériques — les données sont coûteuses, tandis que l’entraînement l’est beaucoup moins. »
Cette distinction est fondamentale. Une impulsion plasma dans un tokamak n’a rien de comparable avec la collecte d’un milliard de pages web supplémentaires. Dans la fusion, les campagnes expérimentales représentent des investissements considérables, l’accès aux machines est limité et chaque impulsion n’explore qu’une fenêtre de fonctionnement restreinte. Les informations utiles doivent souvent être extraites avec soin à partir d’ensembles de données relativement modestes — du moins à l’échelle d’Internet — mais d’une valeur scientifique exceptionnelle.
Selon Simon McIntosh, les organismes de recherche sur la fusion doivent également relever un autre défi : plusieurs décennies de données historiques stockées dans des formats qui n’ont jamais été conçus pour les flux de travail modernes de l’intelligence artificielle.
« Nous devons en quelque sorte faire de l’archéologie des données pour exploiter ce qui a été produit auparavant », explique-t-il.
Il cite notamment les archives du JET (Joint European Torus), qui a fonctionné pendant plus de quarante ans en changeant de configuration à de nombreuses reprises. Les données expérimentales, les outils logiciels et les connaissances d’ingénierie accumulés au fil du temps existent toujours, mais ne sont pas nécessairement faciles à rechercher, comparer ou réutiliser. Grâce à des agents d’IA, les équipes ont commencé à retrouver des fichiers, identifier des schémas récurrents et reconstituer des connaissances opérationnelles issues des tokamaks passés et actuels qui seraient autrement restées enfouies.
La récupération des données existantes n’est toutefois qu’une partie du travail. La standardisation des formats et la validation des données constituent deux autres priorités majeures.
Selon McIntosh, la communauté de la fusion a consacré près de vingt ans au développement de formats communs permettant à des logiciels conçus pour une machine d’être testés puis réutilisés sur une autre. « Cela s’appelle l’IMAS Data Dictionary », explique-t-il. Ce cadre commun, développé par ITER, permet de stocker des informations telles que les courants des bobines ou les signaux diagnostiques de manière cohérente d’une installation à l’autre.
La vérification des données représente un enjeu tout aussi urgent, alors que les scientifiques ayant produit ces ensembles de données extrêmement précieux arrivent progressivement au terme de leur carrière.
Cette démarche peut sembler administrative, mais elle revêt une importance stratégique. Des données standardisées permettent aux modèles d’apprentissage automatique, aux outils de contrôle et aux logiciels d’analyse de circuler plus facilement entre les différents tokamaks, accélérant ainsi le développement de l’ensemble du secteur.
Encore faut-il que ces données soient accessibles. Dans de nombreux environnements industriels, le premier défi de l’IA n’est pas l’intelligence elle-même, mais l’accès à l’information.
McIntosh cite à cet égard Lucy, un assistant alimenté par l’IA connecté aux systèmes documentaires internes d’ITER. Celui-ci aide déjà les équipes à retrouver en quelques secondes des dossiers d’ingénierie, des notes techniques et des documents de projet qui nécessitaient auparavant de longues recherches manuelles.
Vers un « modèle du monde » de la fusion
L’un des concepts les plus ambitieux présentés par McIntosh concerne la préparation des futures opérations d’ITER grâce à ce qu’il appelle un « modèle du monde » de la fusion. « Nous disposons d’un cluster de GPU que nous prévoyons d’utiliser pour entraîner ce que l’on appelle un modèle du monde de la fusion », explique-t-il.
Concrètement, un tel modèle apprendrait à partir des données collectées sur les tokamaks existants afin de construire une représentation simplifiée mais utile du comportement des machines. Les équipes pourraient ainsi simuler des impulsions avant leur exécution, tester des procédures, anticiper des défaillances potentielles et améliorer leur niveau de préparation avant le lancement des vraies campagnes expérimentales d’ITER.
McIntosh compare cette approche au modèle intuitif que chaque être humain possède de son environnement : lorsqu’on monte un escalier, on sait instinctivement ce que l’on ressentira au prochain pas avant même que le pied ne touche la marche suivante.
Pour ITER, l’objectif est similaire : prédire l’état futur de la machine avant qu’il ne se produise.
Ces modèles du monde permettront de transférer vers ITER plusieurs décennies de connaissances acquises sur les tokamaks passés et actuels afin que les données collectées dès le premier jour d’exploitation puissent immédiatement enrichir les prévisions du lendemain.
« Ce processus continu de recalibrage et de réentraînement garantira que les capacités de nos modèles d’apprentissage automatique fondés sur les données progresseront au même rythme que la frontière des connaissances qu’ITER repoussera vers des conditions de réacteur encore jamais observées », souligne McIntosh.
Adapter l’IA à la physique des plasmas
Tom Gibbs a présenté une autre voie d’accélération : les modèles de substitution (« surrogate models ») entraînés à partir de simulations conventionnelles de plasma.
Les codes de simulation haute fidélité peuvent nécessiter des centaines, voire des milliers d’heures de calcul sur GPU. Une fois entraînés, les modèles de substitution sont capables d’approcher ces résultats en quelques millisecondes seulement, ouvrant la voie à des analyses beaucoup plus rapides et, à terme, à une aide à la décision en temps réel.
Interrogé sur les gains de performance possibles, Gibbs évoque des accélérations comprises entre mille et un million de fois.
Cette rapidité pourrait favoriser le développement de jumeaux numériques : des représentations virtuelles d’installations de fusion continuellement mises à jour grâce aux données des capteurs et capables d’aider les opérateurs à comprendre l’évolution des conditions du plasma.
Selon lui, de tels jumeaux numériques existent déjà pour plusieurs machines expérimentales et rien ne s’oppose fondamentalement à ce qu’un jumeau numérique d’ITER soit développé avant même le début des opérations. Mais si l’IA devient un élément central du contrôle en temps réel des dispositifs de la fusion, certains estiment que l’amélioration des modèles ne suffira pas. Le matériel informatique lui-même — ainsi que les logiciels assurant la liaison entre les données en direct et les modèles — devra également évoluer.
Alors que les GPU dominent aujourd’hui l’écosystème de l’IA, Thomas Kopinski a défendu lors de l’atelier l’idée que la fusion nécessitera de nouvelles architectures de calcul. Les systèmes plasma sont extrêmement dynamiques et non linéaires, explique-t-il, et certains problèmes de contrôle exigent des temps de réponse que les approches conventionnelles peinent à fournir.
« Ils parlent de millisecondes ; nous parlons de microsecondes », résume-t-il en comparant son approche aux systèmes fondés sur les GPU.
Selon Kopinski, Gaia Lab développe actuellement un modèle du monde de la fusion reposant sur le matériel photonique de Q.ANT. En exploitant des processeurs fonctionnant à partir de la lumière, ces systèmes pourraient prédire et contrôler le comportement du plasma « plus rapidement que le temps réel ». Des prototypes sont déjà déployés aujourd’hui et un modèle du monde commercialement viable pourrait voir le jour avant la fin de la décennie.
Ces perspectives demeurent encore exploratoires, mais elles illustrent une idée plus large : la fusion pourrait devenir un terrain d’expérimentation non seulement pour de nouveaux systèmes énergétiques, mais aussi pour de nouvelles formes d’informatique.
Des bénéfices concrets dès aujourd’hui
Malgré ces ambitions à long terme, les intervenants ont souligné à plusieurs reprises que certaines des retombées les plus importantes de l’IA pourraient se matérialiser beaucoup plus rapidement.
Alors qu’ITER poursuit actuellement ses activités d’assemblage et de mise en service, le soutien à la construction constitue une priorité immédiate. « L’aide à la construction est quelque chose dont nous pouvons bénéficier dès aujourd’hui », explique McIntosh. « Si nous utilisons l’IA pour améliorer la prise de décision à partir de nos données, nous pourrons potentiellement accélérer le calendrier de construction, réduire certains risques et résoudre les problèmes plus rapidement. »
Antonio Policicchio a présenté plusieurs applications concrètes, notamment le suivi de l’avancement des travaux grâce au LiDAR ainsi que la maintenance prédictive d’équipements tels que les pompes et les systèmes de refroidissement.
« Je pense que l’IA sera l’un des principaux leviers permettant de maintenir le calendrier de ce projet d’une ampleur exceptionnelle », affirme-t-il.
Malgré l’enthousiasme suscité par l’intelligence artificielle, la mission fondamentale d’ITER reste celle d’un programme de recherche expérimentale. L’installation a été conçue pour explorer des régimes de fonctionnement, des durées d’impulsion et des niveaux de performance intégrée jamais atteints à cette échelle. Ces résultats devront être démontrés dans la réalité, et non simplement déduits de modèles informatiques. L’IA ne remplacera pas une expérience d’une ampleur inédite, mais elle peut raccourcir le chemin vers les découvertes qui en découleront.
ITER ne se contente pas d’adopter des outils d’intelligence artificielle prêts à l’emploi. Le projet s’attaque à certaines des questions les plus difficiles de l’IA industrielle : apprendre à partir de données rares, unifier des archives fragmentées, prédire des systèmes physiques complexes et agir en temps réel lorsque l’erreur a un coût élevé.
La fusion pourrait ainsi représenter l’un des terrains d’application les plus exigeants pour l’intelligence artificielle — mais aussi l’un des lieux où se forgent ses capacités de demain.