Plasma có thể mất ổn định trong vài mili-giây: PACMAN AI phản ứng trong 20 ms để giữ tokamak hoạt động

Một plasma trong tokamak có thể chuyển từ trạng thái kiểm soát được sang bất ổn chỉ trong vài mili-giây. Ở tốc độ đó, người vận hành gần như không có cơ hội quan sát, cân nhắc rồi điều chỉnh máy theo cách thủ công. Nhóm nghiên cứu tại Princeton Plasma Physics Laboratory (PPPL) và Princeton University đang thử một hướng khác: để các mô hình học máy thực hiện vòng phản hồi nhanh, còn con người đặt mục tiêu và giới hạn an toàn.

Hệ thống mới có tên PACMAN, viết tắt của Prediction And Control using MAchiNe learning. Theo PPPL, toàn bộ khung điều khiển thường hoàn tất một chu kỳ trong khoảng 20 mili-giây và lặp lại liên tục. PACMAN đã được triển khai trong năm thí nghiệm trên tokamak DIII-D ở San Diego; trong một thử nghiệm, mô hình của hệ thống dự báo một bất ổn dạng tearing mode sớm khoảng 200 mili-giây, đủ thời gian để thay đổi trạng thái plasma trước khi bất ổn phát triển.

Kết quả được mô tả trong bài báo “Enabling integrated AI control on DIII-D: a control system design with state-of-the-art experiments”, công bố trên tạp chí Nuclear Fusion vào tháng 7/2026. Điểm đáng chú ý không phải là một mô hình AI duy nhất đã “học cách vận hành lò phản ứng”, mà là một kiến trúc chung để nhiều mô hình dự đoán và bộ điều khiển có thể cùng làm việc trên một thiết bị fusion thực nghiệm.

Vì sao 20 mili-giây lại quan trọng?

Tokamak giữ plasma bằng từ trường trong một buồng hình xuyến. Để duy trì trạng thái mong muốn, hệ thống phải liên tục theo dõi nhiệt độ, mật độ, cấu hình từ trường, công suất gia nhiệt và nhiều đại lượng khác, sau đó điều chỉnh nam châm, chùm hạt trung hòa, nguồn vi sóng hoặc khí nạp.

Vấn đề là các thang thời gian rất khác nhau. Một số thay đổi của plasma diễn ra trong hàng trăm mili-giây, nhưng một số bất ổn phát triển nhanh hơn nhiều. Paper về PACMAN lưu ý các sự kiện như vertical displacement event có thể tiến triển ở thang mili-giây hoặc nhanh hơn, trong khi nhiều bài toán điều khiển profile có thời gian dài hơn 100 mili-giây.

Trong khi đó, những mô phỏng vật lý plasma có độ trung thực cao có thể mất từ nhiều ngày tới nhiều tháng để chạy. Chúng hữu ích cho việc thiết kế thí nghiệm hoặc phân tích sau khi một shot kết thúc, nhưng không thể làm bộ não của một vòng phản hồi thời gian thực. Mô hình học máy đóng vai trò gần giống một bản xấp xỉ rất nhanh: thay vì giải lại toàn bộ bài toán vật lý phức tạp ở mỗi chu kỳ, chúng suy ra trạng thái hoặc nguy cơ bất ổn từ tín hiệu chẩn đoán trong thời gian tính bằng mili-giây.

PPPL cho biết một người vận hành tập trung cao độ thường phản ứng ở thang giây, còn PACMAN lặp vòng điều khiển khoảng 20 mili-giây. Sự khác biệt này không có nghĩa con người bị loại khỏi hệ thống. Nó có nghĩa phần phản ứng nhanh được giao cho máy, còn con người quyết định mục tiêu điều khiển, ngưỡng hoạt động và cách đánh giá kết quả.

PACMAN không phải một “AI điều khiển fusion”, mà là một dây chuyền bốn tầng

Kiến trúc của PACMAN chia đường đi từ cảm biến tới phần cứng thành bốn khối rõ ràng.

1. Input: thu thập các tín hiệu thời gian thực như nhiệt độ, mật độ và dữ liệu từ trường, kiểm tra lỗi rồi chuẩn hóa chúng để các mô hình phía sau có thể sử dụng.
2. Model: chạy các mô hình học máy, mô hình thay thế cho mã vật lý hoặc các bộ quan sát để ước lượng trạng thái plasma, dự đoán sự kiện và tạo các đại lượng phục vụ điều khiển.
3. Controller: biến các dự đoán thành mục tiêu hành động. Tùy bài toán, đây có thể là reinforcement learning, model predictive control, PID, finite-state machine hoặc logic ngưỡng.
4. Output: kiểm tra xung đột giữa các lệnh, áp giới hạn phần cứng và gửi yêu cầu xuống những bộ điều khiển cấp thấp hơn của DIII-D.

Cách tách bốn tầng này giải quyết một vấn đề thực tế của AI trong fusion: trước đây nhiều thử nghiệm học máy được triển khai như các hệ thống riêng lẻ. Khi muốn dùng một mô hình mới, nhóm nghiên cứu thường phải xây lại phần lớn đường ống lấy dữ liệu, kiểm tra lỗi, kết nối controller và actuator. PACMAN cố gắng biến phần đó thành hạ tầng dùng chung.

Thiết kế còn chủ ý ngăn các model giao tiếp trực tiếp với nhau trong cùng một tầng, và tương tự với các controller. Các thành phần chỉ truyền dữ liệu theo chiều từ input tới model, rồi controller và output. Cấu trúc này giúp giảm phụ thuộc khó kiểm soát và về nguyên tắc cho phép chạy nhiều model song song trong các phiên bản sau.

Năm thí nghiệm trên DIII-D cho thấy AI làm những việc rất khác nhau

Nhóm nghiên cứu không chỉ chạy một bài kiểm tra. PACMAN được dùng trong năm dạng thí nghiệm điều khiển trên DIII-D, từ dự đoán bất ổn tới điều chỉnh profile plasma.

Một controller dùng reinforcement learning để điều khiển các đại lượng liên quan tới áp suất plasma và internal transport barrier thông qua công suất chùm hạt trung hòa và electron cyclotron heating. Theo bảng thời gian trong paper, phần model của controller này chạy khoảng 0,8 mili-giây.

Một hệ thống khác nhắm vào tearing mode, dạng bất ổn từ có thể làm giảm hiệu năng và trong trường hợp xấu góp phần dẫn tới disruption. Mô hình dự đoán chạy khoảng 0,6 mili-giây, sau đó controller quyết định vị trí cần hướng hệ thống electron cyclotron heating tới. Trong thử nghiệm được PPPL nhấn mạnh, model cảnh báo nguy cơ tearing mode trước khoảng 200 mili-giây. Thay vì đợi bất ổn xuất hiện rồi cố dập nó, hệ thống có cơ hội thay đổi plasma sớm hơn để tránh điều kiện gây bất ổn.

PACMAN cũng được dùng để dự đoán các burst ở rìa plasma, điều khiển Alfvén eigenmodes do hạt nhanh gây ra và chạy một model predictive controller để đưa mật độ, rotation và các profile khác về mục tiêu. Với bộ điều khiển profile này, paper báo cáo thời gian model khoảng 4 mili-giây và phần controller khoảng 10 mili-giây.

Trong một thử nghiệm khác, framework đồng thời điều hướng cả sáu gyrotron của DIII-D — các nguồn vi sóng công suất cao dùng để gia nhiệt plasma — bằng cách thay đổi góc gương và công suất theo thời gian thực để theo đuổi mục tiêu mà nhóm nghiên cứu đặt ra trước shot.

Phần quan trọng nhất có thể nằm ở lớp an toàn, không phải ở model

Một controller chạy nhanh không có nhiều giá trị nếu một tín hiệu lỗi có thể khiến nó đưa ra lệnh nguy hiểm. Vì vậy PACMAN xử lý lỗi và giới hạn phần cứng như một phần của kiến trúc, thay vì giao toàn bộ quyền quyết định cho model.

Nếu dữ liệu đầu vào hoặc một model báo lỗi, controller phụ thuộc vào dữ liệu đó có thể không chạy ở chu kỳ hiện tại; actuator sẽ tiếp tục dùng yêu cầu hợp lệ gần nhất theo thiết kế mặc định. Trước khi gửi lệnh, output block còn kiểm tra xem nhiều controller có đang cố điều khiển cùng một actuator theo các hướng xung đột hay không.

Các lệnh cuối cùng cũng bị clamp trong khoảng tối thiểu và tối đa do người vận hành định nghĩa, bao gồm giới hạn công suất gia nhiệt, điện áp van khí, góc gương ECH và dòng điện ở một số cuộn từ. Những ràng buộc này tồn tại độc lập với việc model “muốn” làm gì.

Đây là điểm phân biệt PACMAN với hình dung về một hệ thống fusion tự trị hoàn toàn. Học máy được dùng để dự đoán và tối ưu ở tốc độ cao; quyền đặt mục tiêu và biên an toàn vẫn nằm ở con người và hệ thống bảo vệ của máy.

Từ DIII-D tới lò fusion thương mại còn một khoảng dài

DIII-D là một tokamak nghiên cứu của Bộ Năng lượng Mỹ, không phải nhà máy điện fusion. Các thí nghiệm PACMAN chứng minh rằng nhiều model và controller có thể được tích hợp vào một vòng phản hồi thời gian thực trên thiết bị thật; chúng không chứng minh rằng AI đã giải quyết bài toán duy trì plasma của một nhà máy điện trong thời gian dài, cũng không nói gì về net electricity, độ bền vật liệu hay kinh tế của fusion.

Ngay trong paper, nhóm tác giả cũng chỉ ra giới hạn tốc độ. PACMAN phù hợp với nhiều hiện tượng có thang thời gian từ vài mili-giây trở lên, nhưng không phù hợp cho một số sự kiện nhanh dưới mili-giây, chẳng hạn một số bài toán ổn định theo phương đứng. Những nhiệm vụ đó cần controller chuyên dụng nhanh hơn.

Một câu hỏi khác là khả năng mang framework sang các tokamak khác. Kiến trúc được thiết kế để modular và không phụ thuộc vào một loại model duy nhất, nhưng kết quả hiện tại vẫn đến từ DIII-D. Mỗi thiết bị có hệ chẩn đoán, actuator, giới hạn thời gian và chế độ plasma khác nhau; việc chuyển PACMAN sang máy khác sẽ cần thêm thử nghiệm.

Dù vậy, đóng góp thực tế của nghiên cứu khá rõ: thay vì mỗi dự án AI plasma phải tự xây một đường ống điều khiển riêng, PACMAN cung cấp một kiến trúc chung để nhận dữ liệu, chạy model, ra quyết định, xử lý lỗi và áp giới hạn an toàn. Theo PPPL, sau khi việc xây framework và tích hợp model đầu tiên mất nhiều tháng, model thứ hai chỉ cần vài ngày để đưa vào hệ thống. Nếu mô hình này tiếp tục hoạt động trên nhiều thiết bị, lợi ích lớn nhất có thể không nằm ở một thuật toán AI cụ thể, mà ở tốc độ mà các nhóm fusion có thể thử, đánh giá và thay thế các controller mới mà không phải xây lại toàn bộ hệ thống từ đầu.

Ảnh: minh họa PACMAN AI framework. Credit: Kyle Palmer / PPPL Communications Department.