PACMAN steuert Fusionsplasma – fünf Experimente bestanden den Echtzeittest

Das Princeton Plasma Physics Laboratory (PPPL) veröffentlichte am 2. September 2026 Ergebnisse aus fünf Experimenten mit PACMAN am DIII-D-Forschungstokamak in San Diego. Das gemeinsam mit der Princeton University entwickelte Framework war dabei in die bestehende Anlagensteuerung eingebunden: Die Mitteilung des PPPL bestätigt, dass PACMAN Messwerte während laufender Plasmaentladungen verarbeitete und je nach Anwendung Vorhersagen oder begrenzte Stellbefehle erzeugte.

Die am 2. September vorgestellten Ergebnisse belegen damit Echtzeitbetrieb an einer realen Forschungsanlage, aber weder einen autonomen noch einen kraftwerkstauglichen Fusionsreaktor. Eine am folgenden Tag erschienene Zusammenfassung von Mindplex bestätigt die fünf DIII-D-Anwendungen und eine typische Dauer von rund 20 Millisekunden für die wiederkehrende Kontrollschleife. Menschen legten weiterhin Ziele und Parameter fest; zusätzliche Softwareebenen begrenzten die Befehle an die Hardware.

So wird aus einem Messsignal ein Stellbefehl

PACMAN steht für „Prediction And Control using MAchiNe learning“. Es ist kein einzelnes universelles KI-Modell, sondern eine gemeinsame Architektur für unterschiedliche Modelle und Regler. Ihr Zweck besteht darin, neue Verfahren mit den Diagnosesystemen und Aktoren des Tokamaks zu verbinden, ohne für jeden Versuch den gesamten Daten- und Steuerungsweg neu zu entwickeln.

Die Schleife umfasst vier funktionale Blöcke. Zunächst übernimmt PACMAN aktuelle Diagnosedaten, etwa zur Plasmadichte, zu Temperaturprofilen, Magnetfeldern und bereits anliegenden Aktorwerten. Die Eingangsstufe vereinheitlicht die Daten und kennzeichnet fehlerhafte, fehlende oder veraltete Signale. Ein Modell, das auf einen unverlässlichen Eingang angewiesen ist, kann für den betreffenden Zyklus ausgesetzt werden.

Danach schätzen spezialisierte Modelle den Plasmazustand oder die Wahrscheinlichkeit einer bevorstehenden Instabilität. Ein zugehöriger Regler übersetzt das Ergebnis in Anforderungen an Aktoren wie Neutralteilcheninjektion, Elektronenzyklotronheizung oder Gaszufuhr. Die Ausgabestufe prüft konkurrierende Anforderungen, setzt Mindest- und Höchstwerte durch und reicht zulässige Befehle an die untergeordneten Steuerungen des DIII-D-Systems weiter.

Diese Aufgabenteilung begrenzt die Rolle des maschinellen Lernens. Ein Modell kann eine Prognose oder einen Stellwert liefern, entscheidet aber nicht allein über die Hardware. Bei widersprüchlichen Befehlen sieht die beschriebene Implementierung vor, keinen der kollidierenden Stellbefehle auszugeben und das Bedienpersonal zu informieren.

Die fünf Versuche hatten unterschiedliche Regelaufgaben

Der Ausdruck „fünf Experimente“ bedeutet nicht, dass eine KI in jedem Fall das gesamte Plasma autonom steuerte. Das technische Manuskript der Forschungsgruppe unterscheidet fünf Anwendungen mit eigenen Modellen, Zielen und Aktoren; eine davon war eine reine Vorhersage ohne direkten Stellbefehl.

• Nichtinduktives Plasma: Ein mit Reinforcement Learning trainierter Regler beeinflusste die normierte Plasmapressur und interne Transportbarrieren. Er gab Anforderungen an Neutralteilchen- und Elektronenzyklotronheizung aus, blieb dabei aber an fest codierte Aktorgrenzen gebunden.
• Tearing Mode: Ein Modell schätzte das Risiko dieser magnetischen Instabilität. Bei erhöhter Wahrscheinlichkeit wechselte die Regelung Aufgaben der Mikrowellenheizung und richtete die Elektronenzyklotron-Stromtreibung auf eine geeignete Position im Plasma aus, um die Instabilität vorbeugend zu vermeiden.
• ELM-Vorhersage: Ein Modell sagte sporadische Energieausbrüche am Plasmarand in einem Wide-Pedestal-Quiescent-H-Mode-Szenario voraus. PACMAN stellte das Ergebnis einer externen ELM-Regelung bereit; innerhalb der dokumentierten Anwendung löste das Modell selbst keinen Aktor aus.
• Alfvén-Eigenmoden: Ein Modell erkannte von schnellen Teilchen angetriebene Wellen. Ein proportionaler Regler passte anschließend die Leistung der Neutralteilcheninjektion an, um ausgewählte Moden zu beeinflussen.
• Dichte- und Rotationsprofile: Eine modellprädiktive Regelung führte vollständige Plasmaprofile an vorgegebene Ziele heran. Dazu koordinierte sie Leistung und Drehmoment der Neutralteilchenstrahlen, Elektronenzyklotronheizung und Gaszufuhr.

Auch die Rechenanforderungen waren nicht identisch. Die einzelnen Modelle benötigten laut Manuskript zwischen Bruchteilen einer Millisekunde und 15 Millisekunden; der Reinforcement-Learning-Versuch arbeitete dagegen mit einem Zyklus von 50 Millisekunden. Diese anwendungsspezifischen Werte sind deshalb nicht mit der vom Labor genannten typischen Gesamtlaufzeit von rund 20 Millisekunden gleichzusetzen.

Der Fortschritt liegt in der geschlossenen Kontrollschleife

Technisch relevant ist der Schritt von einer nachträglichen Datenauswertung zu einer durchgehenden Verbindung mit der physischen Anlage. PACMAN nahm Messwerte während der Entladung entgegen, führte Modelle und klassische Regelungslogik aus und übergab verwertbare Anforderungen an das DIII-D Plasma Control System. Damit konnten die Experimente den laufenden Plasmazustand tatsächlich beeinflussen.

Der Tearing-Mode-Versuch verdeutlicht den Unterschied zwischen Vorhersage und bloßer Reaktion. Anstatt auf eine bereits entstandene Instabilität zu warten, lieferte das Modell frühzeitig eine Risikobewertung. Eine zustandsbasierte Regelung konnte daraufhin die Aufgabe der Mikrowellenheizung ändern, sodass das Plasma vor dem erwarteten Auftreten des Modus beeinflusst wurde.

Die Modularität ist der zweite überprüfte Fortschritt. PACMAN nahm sehr verschiedene Verfahren auf: Reinforcement Learning, Ereignisvorhersage, ein Modell zur Erkennung von Alfvén-Eigenmoden und modellprädiktive Profilregelung. Gemeinsam genutzt wurden die Schnittstellen zu Diagnostik, Fehlerprüfung, Reglern und Aktoren – nicht ein einziges Modell für alle Aufgaben.

Warum daraus noch kein Fusionskraftwerk wird

DIII-D ist ein Forschungstokamak und erzeugt keinen Strom. Die fünf Experimente belegen daher weder Dauerbetrieb noch eine positive Energiebilanz, eine selbsttragende Fusionsreaktion oder den autonomen Betrieb eines Kraftwerks. Geprüft wurde enger gefasst, ob unterschiedliche lernende Modelle unter experimentellen Bedingungen in einen realen, sicherheitsbegrenzten Regelkreis eingebunden werden können.

Auch zeitlich deckt PACMAN nicht jede denkbare Störung ab. Die Architektur ist auf Regelaufgaben im Millisekundenbereich ausgelegt; für Vorgänge, die sich noch schneller entwickeln, nennt das Manuskript ausdrücklich Grenzen. Zudem steht die vorgesehene parallele Ausführung mehrerer Modell- und Reglerblöcke noch auf der Entwicklungsliste.

Ungeklärt ist außerdem die Übertragbarkeit auf andere Tokamaks. Abweichende Geometrien, Diagnosesysteme, Aktoren und Betriebsbedingungen erfordern neue Modelle, Schnittstellen und Validierung. Der aktuelle Stand ist deshalb ein erfolgreicher Echtzeit- und Integrationstest an DIII-D. Ob dieselbe Architektur auch bei längeren Entladungen, mehr gleichzeitig aktiven Reglern und unter den Bedingungen eines künftigen Kraftwerks zuverlässig arbeitet, müssen weitere Experimente zeigen.

Lesen Sie auch:

• LibreOffice 26.8 verbessert den Blocksatz – und verzichtet bewusst auf KI
• Claude kostenlos nutzen: Das Fünf-Stunden-Limit ist nicht die einzige Grenze
• 19 Browser-Erweiterungen wurden zu Malware – fünf erst nach dem Verkauf