[Article] - L’intelligence artificielle pour étudier les turbulences dans les plasmas de fusion

Cet article explore l'application des techniques d'apprentissage automatique pour détecter et suivre les filaments de plasma turbulents dans les dispositifs de fusion nucléaire de type tokamak. Ces filaments, responsables d’un transport accru de particules et de chaleur à travers les lignes de champ magnétique, jouent un rôle clé dans la performance des plasmas confinés magnétiquement. Les méthodes proposées utilisent des modèles avancés comme YOLO pour la détection d’objets et divers algorithmes de suivi basés sur des réseaux de neurones convolutifs (CNN) tels que DeepSORT et ByteTrack.  

Un des apports majeurs de cette étude est le développement d’un outil d’auto-étiquetage pour générer efficacement un grand ensemble de données annotées, nécessaire à l’entraînement supervisé des modèles. Les résultats montrent une précision de détection atteignant 98,8 % et des temps d'inférence réduits de 15 à 31 % par rapport aux méthodes conventionnelles, tout en offrant une couverture plus large et une localisation plus précise des structures turbulentes. De plus, les cartes 2D des vitesses des filaments, produites grâce à ces techniques, révèlent des caractéristiques dynamiques cruciales, comme les zones de cisaillement poloidal, pas toujours visibles avec les approches traditionnelles.

Ces avancées ouvrent la voie à une meilleure compréhension des mécanismes turbulents dans les tokamaks, avec des implications importantes pour le développement de la fusion contrôlée. En outre, elles pourraient être appliquées à d’autres domaines, tels que la dynamique des fluides turbulents et la propulsion spatiale.
 

Auteurs
Sarah Chouchene, Frédéric Brochard, Mikael Desecures, Nicolas Lemoine, Jordan Cavalier
 

Références de l’article
Scientific Reports (2024) 14:27965.
 

DOI
10.1038/s41598-024-79251-z