Comment accélérer et fiabiliser l’évaluation de l’état des parois du tokamak WEST après chaque plasma ? C’est le défi relevé par LLM4PPO, un modèle d’IA générative multimodale capable d’analyser automatiquement les images infrarouges des composants face au plasma de WEST et d’assister les experts de la protection de la première paroi. Cette preuve de concept ouvre la voie à de nouveaux outils d’aide à la décision pour les futures expérimentations dans ITER.
La surveillance des parois en interaction avec le plasma au sein d’une installation expérimentale de fusion est principalement réalisée par des caméras infrarouges. Dans le cadre d’une thèse réalisée au sein du CEA-IRFM, un outil innovant basé sur un modèle de langage multimodal, baptisé LLM4PPO [1], a été développé pour analyser automatiquement les films infrarouges de la paroi du tokamak WEST [2]. En salle de contrôle, l’équipe chargée de la protection de la première paroi dispose, après chaque plasma, d’un tableau de bord combinant images infrarouges et courbes de température. L’interprétation de ces données requiert une expertise pointue, difficile à formaliser, mais essentielle pour évaluer rapidement l’état des parois et s’assurer que les composants surveillés restent dans leur domaine de fonctionnement.
Les « Large Language Models (LLM) » sont principalement utilisés pour résoudre diverses tâches du traitement automatique du langage (génération de traduction et de résumé de texte par exemple). Les LLM multimodaux complètent les capacités des modèles traditionnels par le traitement d’informations multimodales comme les images ou des formats audio et vidéo. Grâce aux avancées récentes des LLMet à l’intégration de techniques d’adaptation ciblée telles que LoRA (Low-Rank Adaptation), LLM4PPO est capable de mobiliser des connaissances proches de celles des experts humains. Il peut ainsi identifier et hiérarchiser automatiquement les zones critiques et générer un rapport d’analyse, offrant un appui décisionnel quasi immédiat à l’issue de l’expérience « plasma » qui vient d’être réalisée (figure 1).
Lors des premiers tests en conditions réelles, LLM4PPO a atteint un taux de satisfaction des experts en charge de la protection des composants face au plasma (PPO) de 43 %, auxquels s’ajoutent 30 % de réponses jugées neutres. Ces résultats sont d’autant plus prometteurs que le modèle n’a été entraîné que sur une seule campagne expérimentale à ce stade, représentant un jeu de données relativement restreint. Cela constitue avant tout une preuve de concept, démontrant la pertinence de cette approche pour l’assistance décisionnelle au PPO, tout en soulignant la nécessité d’un apprentissage sur un corpus élargi afin d’améliorer les performances.
Pour progresser, LLM4PPO s’appuie sur un mécanisme de retour d’expérience direct : via une interface web, les experts PPO évaluent les résultats générés, et ces retours sont intégrés dans la base d’apprentissage. Chaque nouvelle session d’ajustement permet ainsi un apprentissage itératif et en boucle fermée, favorisant l’adaptation continue du système aux conditions réelles de la salle de contrôle et la réduction progressive des erreurs.
Malgré ses limites actuelles, le modèle a démontré sa capacité à mettre en évidence des zones critiques et à améliorer la réactivité des équipes PPO. Cette première application de modèles multimodaux de type LLM dans le domaine de la fusion ouvre la voie au développement de nouveaux outils d’assistance pour la protection des parois. Ces outils permettront d’accélérer significativement la montée en puissance fusion d’ITER tout en garantissant l’intégrité des composants exposés au plasma.
[1] – LLM4PP0 : Large Language Models (LLM) for the Plasma-facing component Protection Officer (PPO)
[2] – Gorse, Valentin and Mitteau, Raphael and Marot, Julien, Decision Support for In-Operation Monitoring of the West Tokamak First Wall Using Multimodal Large Language Model on Infrared Imaging. http://dx.doi.org/10.2139/ssrn.5177592