TokaMind trasforma gli esperimenti dei tokamak in modelli predittivi per accelerare controllo, simulazione e progettazione degli impianti STEP

La fusione nucleare continua a essere una delle grandi promesse tecnologiche della transizione energetica. Non perché sia vicina a sostituire in tempi brevi le fonti fossili, ma perché concentra in un unico problema scientifico molte delle sfide che oggi definiscono l’innovazione industriale: controllo dei sistemi complessi, calcolo ad alte prestazioni, gestione di grandi masse di dati sperimentali, modelli predittivi e sicurezza delle infrastrutture critiche. In questo quadro si inserisce TokaMind, il foundation model sviluppato da IBM con la United Kingdom Atomic Energy Authority e lo STFC Hartree Centre per analizzare il plasma nei tokamak.

Il progetto è stato presentato dai partner come il primo modello fondativo di intelligenza artificiale dedicato al plasma di fusione. Il punto non è generare testo, immagini o contenuti, come accade nei modelli più noti al grande pubblico, ma trasformare dati fisici eterogenei in una rappresentazione strutturata del comportamento del plasma. Per la ricerca sulla fusione, significa provare a leggere in modo più completo ciò che accade dentro una macchina sperimentale quando campi magnetici, geometria dell’impianto, temperatura, densità e diagnostiche ad alta frequenza interagiscono in pochi secondi di funzionamento.

La fusione punta a riprodurre sulla Terra la reazione che alimenta il Sole e le stelle. In un tokamak, isotopi dell’idrogeno vengono portati a temperature superiori a quelle del nucleo solare fino a formare plasma, un gas ionizzato e supercaldo confinato da campi magnetici. La difficoltà è mantenere il plasma abbastanza caldo, denso e stabile da produrre più energia di quanta ne sia stata immessa, evitando al tempo stesso instabilità capaci di danneggiare la macchina. È il nodo del cosiddetto breakeven, il passaggio simbolico e tecnico verso una futura generazione elettrica da fusione.

Nel mondo sono in funzione oltre 50 tokamak, con configurazioni, obiettivi e dimensioni differenti. La filiera non sta lavorando soltanto sulla fisica del plasma, ma anche sulla capacità di tradurre esperimenti, sensori e simulazioni in conoscenza operativa. È qui che l’intelligenza artificiale può diventare uno strumento di accelerazione, non come sostituto della fisica, ma come livello intermedio tra dati sperimentali, modelli matematici e decisioni ingegneristiche.

Dal tokamak MAST nasce un atlante digitale del plasma

TokaMind è stato addestrato sui dati degli esperimenti condotti con MAST, il Mega Ampere Spherical Tokamak della UKAEA, attivo tra il 1999 e il 2013. La macchina aveva una configurazione più compatta rispetto al classico tokamak toroidale: più simile, nella descrizione dei ricercatori, a una mela privata del torsolo che a una ciambella. Quella geometria sferica è ritenuta interessante perché potrebbe offrire una strada verso impianti più compatti e potenzialmente più efficienti.

Gli esperimenti nel tokamak sono chiamati “shots”. Durano pochi secondi, ma producono una quantità elevata di segnali. In ogni shot, centinaia di sensori possono registrare come il plasma reagisce a diverse manipolazioni della macchina. Il problema non è soltanto raccogliere dati, ma renderli confrontabili: frequenze diverse, scale temporali differenti, diagnostiche non sempre complete e segnali fisici che devono essere armonizzati in una rappresentazione coerente.

Secondo il materiale diffuso dai partner, TokaMind fonde e codifica circa 40 segnali diversi, dalla descrizione fisica del plasma ai dati diagnostici della macchina e dei magneti. Il modello conta 9 milioni di parametri, una dimensione ridotta se confrontata con i grandi modelli generativi, ma lavora su informazioni di forte complessità fisica. La sua funzione principale è costruire una rappresentazione trasferibile della dinamica del plasma, utilizzabile poi per diversi compiti analitici.

“Siamo partiti lo scorso anno con UKAEA e STFC per esplorare come le tecniche più avanzate di AI fondazionale potessero supportare la modellazione del plasma di fusione e le sue applicazioni. Dopo due anni, abbiamo rilasciato non soltanto il primo foundation model per un tokamak, ma anche nuovi standard nella ricerca algoritmica per la fusione”,

ha dichiarato Juan Bernabé-Moreno, Director di IBM Research Europe per Irlanda e Regno Unito.

La scelta di rendere open source TokaMind, insieme al benchmark TokaMark, segnala anche un passaggio culturale. La fusione è tradizionalmente un settore basato su grandi infrastrutture, collaborazioni internazionali e competenze verticali. Pubblicare un modello e un ambiente di valutazione significa aprire una parte del lavoro alla comunità scientifica e industriale, favorendo confronto, validazione e riuso.

I dati meno spettacolari diventano risorsa scientifica

Uno degli aspetti più rilevanti del progetto riguarda il modo in cui l’AI modifica il rapporto fra ricercatori e dati sperimentali. In passato, molte scoperte nella fisica della fusione sono arrivate dall’analisi dei casi più interessanti, cioè degli esperimenti con prestazioni elevate o comportamenti anomali. Questo approccio resta indispensabile, ma rischia di lasciare in secondo piano una parte consistente dell’informazione contenuta nei dati ordinari.

Rob Akers, director of computing programmes della UKAEA, ha sintetizzato il punto osservando che la tentazione è sempre quella di guardare ai plasmi più interessanti e performanti. Tuttavia, anche gli shot apparentemente più “noiosi” possono contenere segnali utili. Con un modello addestrato sull’intero corpus dei dati, la ricerca può prendere decisioni basate su una base informativa più ampia, riducendo il rischio di selezionare soltanto ciò che conferma ipotesi già note.

“Ora che possiamo costruire modelli intorno all’intero corpus dei dati, sospetto che impareremo nuove informazioni di valore. L’intelligenza artificiale ci permetterà di prendere decisioni sulla base di tutti i dati”,

ha spiegato Rob Akers.

“La grande domanda è se potremo estendere con fiducia questi modelli fino al punto in cui saranno utili per progettare centrali dell’era commerciale”.

La metodologia utilizzata richiama quella dei foundation model applicati ad altri domini scientifici. TokaMind è stato sottoposto a pre-addestramento con dati parzialmente mascherati, che il modello doveva ricostruire. Imparando a colmare le lacune, ha sviluppato una rappresentazione del sistema utile anche su compiti successivi. Nel benchmark TokaMark, progettato dagli stessi ricercatori, il modello ha superato in quasi tutti i 14 compiti un modello tradizionale di machine learning addestrato separatamente per ciascuna attività.

Il vantaggio è apparso più netto nelle previsioni di lungo periodo. Tobia Boschi, ricercatore IBM coinvolto nell’addestramento, ha indicato proprio in questo punto la capacità del modello di apprendere una rappresentazione trasferibile della dinamica del plasma. In termini industriali, è un passaggio importante: una tecnologia utile non deve soltanto descrivere ciò che è già accaduto, ma aiutare a prevedere come il sistema potrà evolvere in condizioni operative diverse.

Il pre-addestramento ha avuto anche un effetto secondario sulla qualità dei dataset. Nei tokamak, un singolo sensore può registrare anomalie o mancare una porzione di segnale senza che l’intero esperimento perda valore. Alessandra Pascale, ricercatrice IBM alla guida del team di ingegneria, ha spiegato che il modello può contribuire a recuperare dati altrimenti difficili da utilizzare. Non si tratta di inventare misure, ma di rendere più robusto l’insieme informativo quando una parte del sistema diagnostico presenta difetti o lacune.

STEP guarda agli Anni Quaranta con modelli più robusti

I risultati ottenuti con MAST guardano direttamente al futuro programma britannico STEP, Spherical Tokamak for Energy Production. Il prototipo di centrale a fusione della UKAEA è atteso negli anni Quaranta e dovrà beneficiare degli esperimenti condotti oggi con MAST Upgrade, o MAST-U, in un’area a sud di Oxford. Ogni prova contribuisce a definire scelte di progettazione, controllo e gestione operativa che saranno cruciali per un impianto dimostrativo.

Il salto dalla macchina sperimentale alla centrale commerciale non è lineare. La fisica del plasma è governata da turbolenza, interazioni atomiche, instabilità non lineari e fenomeni multiscala. Per questa ragione, i partner non presentano TokaMind come una soluzione autosufficiente. Il modello rappresenta un primo passo verso sistemi ibridi, nei quali dati reali, simulazioni fisiche, calcolo ad alte prestazioni e, in prospettiva, algoritmi quantistici concorrono alla stessa catena decisionale.

La prossima fase del progetto prevede l’inclusione di dati da MAST-U e potenzialmente da altri tokamak. Questo ampliamento potrebbe permettere ai ricercatori di confrontare macchine diverse, identificare configurazioni promettenti e capire come geometria, parametri di controllo e stato del plasma si influenzino reciprocamente. È un cambio di scala importante: da un modello rappresentativo di un impianto a una piattaforma capace di supportare analisi comparative.

“Potremmo potenzialmente aumentare gli esperimenti esistenti con nuovi attuatori per sollecitare il plasma e farlo funzionare meglio, portandolo in un nuovo regime operativo”,

ha affermato Rob Akers.

“Se iniziamo a combinare i dati sperimentali con la nostra comprensione teorica, o basata su modelli, del plasma, questo potrebbe essere trasformativo”.

Nel linguaggio della progettazione industriale, TokaMind può essere letto come un modello surrogato. Un surrogato AI non sostituisce una simulazione fisica ad alta fedeltà, ma consente di esplorare più rapidamente porzioni ampie dello spazio progettuale. È meno costoso sul piano computazionale, più agile nella fase di screening e utile per individuare incertezze, combinazioni promettenti o scenari da approfondire con strumenti più onerosi.

Akers ha richiamato anche il tema degli eventi rari. Combinare modelli surrogati con simulazioni ad alta fedeltà può migliorare la qualità complessiva delle previsioni e aiutare a evitare scenari altamente improbabili ma potenzialmente gravi. In una tecnologia che dovrà un giorno operare in modo stabile, sicuro e continuativo, la gestione delle code di rischio è tanto importante quanto l’aumento delle prestazioni medie.

AI, HPC e quantum entrano nella stessa architettura

La frontiera successiva riguarda l’integrazione tra apprendimento automatico e conoscenza fisica formalizzata. Una delle prime equazioni indicate dai ricercatori per TokaMind è la Grad-Shafranov, che descrive l’equilibrio in un plasma di tokamak: la pressione verso l’esterno del plasma viene bilanciata dalla forza verso l’interno del campo magnetico che lo confina. Incorporare questa conoscenza può migliorare la capacità del modello di interpretare forma, posizione e stato del plasma.

Questa direzione è coerente con una tendenza più ampia dell’AI scientifica: ridurre la distanza fra modelli puramente statistici e modelli basati su principi fisici. L’obiettivo non è scegliere tra dati e teoria, ma farli lavorare insieme. I dati sperimentali mostrano ciò che accade nella macchina reale; le simulazioni consentono di esplorare condizioni difficili o costose da riprodurre; i modelli fondazionali possono unificare queste informazioni in rappresentazioni trasferibili.

Nel progetto avrà un ruolo anche Sunrise, il nuovo supercomputer AI della UKAEA, indicato come destinato a diventare il più potente sistema dedicato all’energia da fusione. Il calcolo ad alte prestazioni resta infatti la spina dorsale dell’intero processo: serve per gestire dataset voluminosi, simulazioni numeriche, modelli surrogati e future integrazioni con metodi quantistici.

“Le sfide computazionali che affrontiamo nella fusione possono essere risolte soltanto unendo quantum computing, intelligenza artificiale e high-performance computing”,

ha dichiarato Alessandro Curioni, IBM Fellow e VP of Algorithms and Applications di IBM Research.

“Il quantum può gestire la fisica che il calcolo classico non riesce a trattare, mentre l’AI può fornire risultati rapidi e affidabili; l’HPC è la spina dorsale computazionale che può scalare e integrare questi metodi complementari”.

La ragione è tecnica. Il plasma è governato da interazioni a livello atomico, turbolenza su più scale e dinamiche fortemente non lineari. I modelli guidati dai dati possono riconoscere pattern nei dataset sperimentali o simulati, ma ereditano anche i limiti dei dati su cui sono addestrati. Quando la fisica sottostante diventa troppo complessa da simulare con metodi classici, l’accuratezza può raggiungere un plateau. Il calcolo quantistico, almeno in prospettiva, potrebbe rappresentare sistemi quantomeccanici con maggiore naturalezza.

Per il settore energetico, l’elemento più interessante non è la promessa astratta del quantum, ma la possibile architettura combinata. AI per costruire surrogati veloci, HPC per scalare simulazioni e pipeline, algoritmi quantistici per generare dati fisici ad alta fedeltà su porzioni oggi difficili del problema. È un modello di innovazione composita, nel quale il progresso nasce dall’integrazione di strumenti diversi più che da una singola tecnologia risolutiva.

La fusione resta una sfida aperta. Nessun modello può cancellare la complessità di portare una reazione stellare dentro un impianto industriale sicuro, stabile e competitivo. TokaMind, però, mostra come la ricerca stia cambiando metodo: meno dipendenza da singoli esperimenti emblematici, maggiore uso dell’intero patrimonio informativo, più attenzione alla trasferibilità dei modelli e alla convergenza tra dati, fisica e calcolo avanzato. È in questo passaggio, prima ancora che nella produzione elettrica, che la fusione sta già generando innovazione.

Ecco tre approfondimenti che potrebbero interessarti:

Il tokamak WEST ha battuto il record mondiale di plasma stabile
Fusione nucleare: così il MIT isola plasma e pareti nei tokamak
L’AI di Google per regolare il plasma della fusione nucleare