Fusion reactor tương lai có thể không có “người lái”: AI đang đưa điều khiển plasma xuống 20 mili-giây

Một plasma trong tokamak có thể bắt đầu mất ổn định trong vài mili-giây. Ở thang thời gian đó, câu hỏi không còn là người vận hành có đủ kinh nghiệm hay không: con người đơn giản không thể nhìn tín hiệu, hiểu chuyện gì đang xảy ra rồi xoay núm điều khiển đủ nhanh.

Một nhóm tại Princeton University và Princeton Plasma Physics Laboratory (PPPL) vừa thử một kiến trúc phần mềm tên PACMAN trên tokamak DIII-D. Hệ thống gom dữ liệu chẩn đoán, chạy các mô hình machine learning, tính lệnh điều khiển và gửi yêu cầu tới bộ gia nhiệt hoặc các actuator khác trong một vòng lặp thường mất khoảng 20 mili-giây. Trong một thí nghiệm, một model còn dự đoán tearing mode — một dạng bất ổn có thể làm giảm mạnh hiệu suất plasma — khoảng 200 ms trước khi nó xuất hiện, đủ thời gian để controller thay đổi trạng thái plasma thay vì chỉ cố dập sự cố sau khi đã bắt đầu.

Điều đó đưa fusion tiến gần hơn tới các hệ thống có khả năng tự điều chỉnh liên tục. Nhưng gọi đây là một “reactor không người lái” vẫn đi quá xa. DIII-D là một cơ sở nghiên cứu fusion, không phải nhà máy điện thương mại; PACMAN cũng không tự đặt mục tiêu vận hành. Con người vẫn quyết định plasma cần đạt trạng thái nào, đặt giới hạn và xem lại từng shot.

“Nhanh hơn con người hàng nghìn lần” có chính xác không?

Không, nếu hiểu đó là một benchmark trực tiếp giữa PACMAN và phản xạ con người. Trong thông báo của PPPL, đồng tác giả Andy Rothstein nói một người vận hành tập trung có thể phản ứng ở thang giây, còn toàn bộ framework PACMAN thường hoàn tất một vòng trong khoảng 20 ms.

Nếu lấy một giây làm mốc đơn giản, chênh lệch là khoảng 50 lần. Nếu phản ứng của con người mất vài giây, khoảng cách có thể lên hàng trăm lần. Con số “hàng nghìn lần” chỉ phù hợp hơn khi so phản xạ con người với chính các quá trình vật lý trong plasma, bởi một số bất ổn có thể phát triển trong vài phần nghìn giây.

Thực ra tokamak từ lâu đã không dựa vào con người để thực hiện mọi điều chỉnh nhanh. Các hệ điều khiển feedback truyền thống đã chạy tự động ở tần số rất cao. Trong nghiên cứu năm 2022 của DeepMind và Swiss Plasma Center, chẳng hạn, controller reinforcement learning được biên dịch để chạy ở 10 kHz trên tokamak TCV, trực tiếp điều khiển 19 cuộn từ. Điểm mới của PACMAN vì vậy không phải “máy tính cuối cùng cũng nhanh hơn người”, mà là đưa nhiều model AI khác nhau vào một hạ tầng điều khiển thống nhất và đủ nhanh để sử dụng trong thí nghiệm thật.

PACMAN không phải một AI duy nhất

PACMAN là viết tắt của Prediction And Control using MAchiNe learning. Thay vì một neural network duy nhất nhìn toàn bộ plasma rồi quyết định mọi thứ, framework được thiết kế giống một dây chuyền gồm bốn khối.

Đầu tiên, hệ thống thu thập dữ liệu thời gian thực từ tokamak: hình dạng plasma, mật độ, nhiệt độ, tín hiệu từ trường, trạng thái neutral beam injection, electron cyclotron heating và nhiều chẩn đoán khác. Dữ liệu được kiểm tra lỗi và chuẩn hóa trước khi chuyển sang các model.

Khối model có thể chứa nhiều loại thuật toán: surrogate model thay cho mô phỏng vật lý quá chậm, model dự đoán sự kiện, model tái dựng profile hoặc reinforcement learning policy. PACMAN không bắt buộc tất cả phải là neural network; kiến trúc chấp nhận cả model vật lý và controller truyền thống nếu chúng phù hợp với vòng thời gian thực.

Sau đó controller biến dự đoán thành mục tiêu actuator — chẳng hạn tăng công suất một neutral beam hoặc thay đổi electron cyclotron heating. Cuối cùng, lớp output giải quyết xung đột giữa nhiều controller, áp các giới hạn phần cứng và mới gửi lệnh xuống hệ thống tokamak.

Thiết kế này quan trọng vì một fusion machine không có một biến duy nhất cần giữ ổn định. Mật độ, profile dòng điện, rotation, edge stability, heating và nhiều mode dao động có thể cùng thay đổi. Một controller tối ưu một mục tiêu đôi khi có thể làm xấu mục tiêu khác. PACMAN được xây để nhiều model cùng tồn tại mà không phải viết lại toàn bộ control stack mỗi lần thêm một thuật toán mới.

Năm thí nghiệm thật thay vì một demo mô phỏng

Trong paper Enabling Integrated AI Control on DIII-D: A Control System Design with State-of-the-art Experiments, xuất bản trên Nuclear Fusion năm 2026, nhóm nghiên cứu mô tả năm ứng dụng đã chạy trên DIII-D.

• Một reinforcement learning controller nắm quyền điều khiển hệ thống gia nhiệt để hướng tới plasma advanced non-inductive.
• Một model dự đoán các đợt bùng năng lượng ở vùng biên plasma.
• Một controller phát hiện và điều khiển Alfvén eigenmodes do các hạt năng lượng cao gây ra.
• Một model predictive controller điều chỉnh profile mật độ và rotation tới mục tiêu do nhà nghiên cứu đặt.
• Một hệ predictor-controller dự đoán tearing mode và thay đổi plasma trước khi mode đó hình thành.

Trường hợp tearing mode cho thấy rõ lợi thế của prediction. Controller thông thường thường chỉ có thể nhận biết mode sau khi nó bắt đầu. Khi đó hệ thống phải cố suppress bất ổn đang tồn tại, thường phải đánh đổi một phần hiệu suất. Trong thử nghiệm PACMAN, model phát cảnh báo trước khoảng 200 ms, cho phép controller chuyển sang chiến lược tránh sự kiện ngay từ đầu.

Framework cũng phối hợp cả sáu gyrotron của DIII-D — các hệ thống bơm năng lượng bằng vi sóng — bằng cách điều chỉnh đồng thời công suất và hướng gương để đạt mục tiêu đã định. Đây là loại bài toán mà nhiều actuator cùng chia sẻ một mục tiêu vật lý và có thể xung đột nếu mỗi controller hoạt động độc lập.

AI nhanh vì nó học một phiên bản rút gọn của vật lý

Một trong những nghịch lý của plasma control là con người có các mô hình vật lý rất chi tiết, nhưng chính độ chi tiết khiến chúng quá chậm cho feedback thời gian thực. Theo PPPL, một số mô phỏng plasma có thể mất từ nhiều ngày tới nhiều tháng, trong khi một shot thử nghiệm chỉ kéo dài từ giây tới phút và bất ổn có thể phát triển trong mili-giây.

Machine learning giải bài toán này bằng surrogate model: học quan hệ giữa tín hiệu đầu vào và trạng thái plasma từ dữ liệu hoặc mô phỏng, rồi tạo dự đoán với chi phí tính toán nhỏ hơn nhiều. Paper PACMAN đặt mục tiêu chu kỳ khoảng 5–50 ms cho các thành phần ở tầng điều khiển cao; các diagnostic bên dưới có thể cập nhật ở những thang thời gian rất khác nhau, từ microsecond tới hàng chục millisecond.

Cái giá của tốc độ là model học không thể được xem như một bản sao hoàn hảo của plasma. Nó có miền dữ liệu huấn luyện, sai số và những tình huống ngoài phân bố. Vì vậy PACMAN không trao toàn bộ quyền bảo vệ máy cho model AI.

“Autonomous” không có nghĩa bỏ lớp an toàn

Trong kiến trúc PACMAN, dữ liệu đầu vào được kiểm tra lỗi trước khi model chạy. Nếu một diagnostic thiết yếu không hợp lệ hoặc dữ liệu đã quá cũ, model/controller phụ thuộc vào nó có thể bị ngăn không chạy trong chu kỳ đó. Ở đầu ra, các lệnh còn phải qua một lớp arbitration và giới hạn actuator trước khi chạm tới phần cứng.

Đây là điểm khác biệt quan trọng giữa một AI demo và control system cho máy có năng lượng lớn. Model có thể đề xuất hành động, nhưng nó không được phép tự do vượt qua giới hạn công suất, trạng thái actuator hoặc các constraint mà hệ thống đã đặt.

Chính nhóm nghiên cứu cũng nhấn mạnh con người vẫn ở trong vòng điều hành. Physicist đặt mục tiêu và tham số cho experiment; sau mỗi shot, dữ liệu được xem lại để điều chỉnh controller cho lần tiếp theo. PACMAN tự động hóa các quyết định quá nhanh để con người thực hiện, chứ không thay thế quyền quyết định ở cấp nhiệm vụ.

Từ TCV tới DIII-D: AI plasma control đang chuyển từ demo sang infrastructure

Machine learning đã điều khiển plasma thật từ trước PACMAN. Công trình DeepMind–EPFL năm 2022 chứng minh reinforcement learning có thể trực tiếp điều khiển 19 coil trên TCV và tạo nhiều hình dạng plasma, kể cả cấu hình mà controller truyền thống cần nhiều công sức thiết kế riêng.

Những nghiên cứu sau đó tại DIII-D, KSTAR và các tokamak khác mở rộng AI sang disruption prediction, ELM avoidance, profile control và instability suppression. Vấn đề là mỗi dự án thường xây một pipeline riêng. Khi muốn thêm model thứ hai hoặc thứ ba, nhóm vận hành phải giải lại bài toán thời gian thực, input/output, lỗi diagnostic và xung đột actuator.

PACMAN cố biến phần này thành infrastructure. Theo nhóm nghiên cứu, việc tích hợp model đầu tiên mất hàng tháng, nhưng model thứ hai chỉ mất vài ngày. Nếu lợi thế đó giữ được khi số controller tăng lên, giá trị lớn nhất của framework có thể không nằm ở một model AI cụ thể mà ở tốc độ các nhóm fusion có thể đưa thuật toán mới từ notebook lên tokamak thật.

Fusion plant tương lai sẽ tự vận hành đến đâu?

DIII-D là tokamak nghiên cứu lớn nhất đang hoạt động ở Bắc Mỹ và được dùng để thử các giải pháp cho thiết bị fusion tương lai. Nó không sản xuất điện thương mại. Vì vậy năm thí nghiệm PACMAN chưa chứng minh rằng một nhà máy fusion có thể chạy nhiều tháng mà không cần người vận hành.

Một power plant thực tế còn phải xử lý các tầng mà nghiên cứu này chưa giải quyết: degradation của vật liệu, cryogenics, vacuum, tritium handling, maintenance, grid demand, cybersecurity, fault recovery và các hệ safety được chứng nhận. Plasma controller chỉ là một phần của nhà máy.

Dù vậy, hướng đi đã khá rõ. Nếu fusion thương mại xuất hiện, con người khó có thể “lái” plasma theo nghĩa phản ứng trực tiếp với từng bất ổn. Máy sẽ phải tự quan sát, dự đoán và sửa trạng thái ở thang mili-giây; con người chuyển lên tầng cao hơn, nơi họ đặt operating envelope, mục tiêu hiệu suất và quy tắc an toàn.

Bước tiếp theo của PACMAN không phải chứng minh AI có phản xạ nhanh hơn con người — điều đó gần như hiển nhiên ở thang mili-giây. Điều cần chứng minh là nhiều controller học máy có thể hoạt động đồng thời, ổn định qua những plasma regime khác nhau và thất bại theo cách có thể dự đoán khi sensor hoặc model gặp tình huống ngoài thiết kế. Đó mới là khoảng cách từ một control framework thành công trên DIII-D tới một hệ điều hành đủ tin cậy cho fusion plant.