Monsieur Samy KERBOUA BENLARBI soutiendra publiquement ses travaux de thèse intitulés :

« Intelligence artificielle et contrôle des plasmas de fusion: Application au tokamak WEST»
dirigés par Dr. Blaise Faugeras  

Composition du jury proposé :

Dr. Federico FELICI	DeepMind (UK)	Rapporteur
Dr. Sylvain LAMPRIER	Université d’Angers, LERIA	Rapporteur
Dr. Olivier SAUTER	EPFL, Swiss Plasma Centre (CH)	Examinateur externe
Dr. Laurent LEFEVRE	Grenoble INP ESISAR, UGA, LCIS	Examinatrice externe
Dr. Feda ALMUHISEN	CEA, IRFM	Examinatrice externe
Dr. Blaise FAUGERAS	CNRS, UCA	Directeur de thèse
Dr. Rémy NOUAILLETAS	CEA, IRFM	Encadrant CEA

Keywords :

Apprentissage par renforcement, Contrôle des tokamaks, Réseaux de neurones, Calcul distribué, Inférence probabiliste

Abstract :

La fusion dans un plasma magnétiquement confiné relève encore du domaine de la recherche fondamentale : en plus de la nécessaire progression de nos connaissances théoriques, l’opération des tokamaks actuels reste délicate, car elle nécessite un effort humain substantiel à chaque fois qu’un nouveau scénario expérimental est mis au point. En outre, la combinaison habituelle de rétroactions linéaires et de contrôle en boucle ouverte, n’est pas complètement robuste vis à vis du comportement non-linéaire des dynamiques du plasma. L’approche dont il est question n’est donc pas compatible avec la fiabilité d’un futur réacteur, et un meilleur contrôle du plasma est nécessaire par le biais d’algorithmes de contrôle utilisant des connaissances plus théoriques ou empiriques. Récemment, l’apprentissage par renforcement a démontré son utilité dans de nombreux domaines, notamment le contrôle des tokamaks. Par essai-erreur, un agent interagit sur un environnement, pour apprendre une politique décisionnelle maximisant une récompense formalisant les tâches à accomplir. Une fois associé aux réseaux de neurones, l’apprentissage profond par renforcement devient un candidat pertinent pour répondre à ces situations en grande dimension, aux nombreuses incertitudes, et non-linéaires. Ces travaux visent à appliquer et étendre ces méthodes au tokamak WEST, au travers du développement d’une plateforme logicielle pour entraîner un agent sur un code d’équilibre à frontière libre, qui simule l’équilibre magnétique et l’évolution des profils au cœur du plasma. Le contrôle magnétique par rétroaction de la forme, de la position et du courant du plasma est alors réalisé sur plusieurs scénarios de contrôle, avec des temps d’entraînement considérablement réduits grâce à l’utilisation de l’apprentissage par curriculum. Plusieurs procédures sont discutées, non seulement pour améliorer la généralisation dans le domaine opérationnel du système de contrôle en temps-réel de WEST, mais aussi pour explorer la robustesse des agents appris par renforcement face aux perturbations et aux incertitudes du plasma. Les résultats obtenus offrent de nombreuses perspectives en faveur de ce paradigme, et de l’intelligence artificielle plus généralement, dans le cadre d’une utilisation de routine au sein des opérations d’un dispositif de fusion confiné magnétiquement. Les liens inhérents établis entre l’apprentissage par renforcement et le contrôle classique sont étayés, et pourraient conduire à une meilleure interprétabilité des réseaux de neurones en tant que politiques puissantes et robustes, potentiellement capables de gérer un plus grand nombre d’actionneurs, comme d’objectifs, pendant de longues décharges de plasma.

---