Google DeepMindとスイス連邦工科大学ローザンヌ校(EPFL)の研究チームは、トカマク装置TCVのプラズマを深層強化学習のエージェントが磁気制御することに成功したと、2022年にNatureへ発表した。プラズマの形状維持や複数コイルの同時制御をAIが担った実証であり、核融合の発電そのものではなく『制御』という要素技術でのAI活用を示した論文である。

論文の内容:TCVでプラズマ形状をAIが制御

TCVは形状の自由度が高い実験トカマクで、プラズマの伸長や複数のプラズマを並べる構成など、多様な形状を試せることが特徴である。研究チームはプラズマのシミュレータ上でエージェントを学習させ、その方策を実機に移して、目標形状の維持や滴状プラズマの生成などを実演した。単一のネットワークが複数の制御目標を切り替えて担う設計も示され、従来の制御器を目標ごとに設計する方式との対比が論じられている。

手法の特徴:シミュレータで学習し実機へ移す強化学習

強みは、シミュレーションで大量の試行を回してから実機に移すため、実機の実験時間を節約できる点にある。一方で、シミュレータと実機のずれ(sim-to-realギャップ)や、高温・高性能領域での運転条件との違いは残る。発電炉級の装置では中性子環境や保守制約も加わり、この手法をそのまま適用できるわけではない。論文の主張はTCVの条件での制御実証に限られる。

核融合制御への射程:制御AIと発電実証の距離

それでも、核融合の制御に学習型手法が入る道筋を示した意義は大きい。日本の核融合研究でも、実験装置の運転支援や異常検知にAIを使う取り組みは親和性が高い。研究者は制御対象の物理モデル整備が学習の前提になる点に、R&D担当者は『AIで核融合が進む』という言い方を要素技術ごとに分解して読む習慣に注目したい。2022年のNature論文に基づく内容である。

核融合・制御分野の研究者は、自装置への学習制御の適用可能性を検討する出発点にできる。起業家は、制御ソフトウェアが核融合産業の中間技術として事業化し得る視点を持てる。

あわせて読みたい

「高温超伝導磁石で小型化する核融合:CFSのSPARC計画」 https://deeptech.aohalab.ai/#/article/51

「TRL(技術成熟度)の読み方:研究の現在地を測る物差し」 https://deeptech.aohalab.ai/#/article/21

「自律実験ラボが新規材料の合成を進めたことを示した:A-Lab論文(Nature 2023)」 https://deeptech.aohalab.ai/#/article/93

出典:Nature論文「Magnetic control of tokamak plasmas through deep reinforcement learning」(Degrave et al., 2022年) https://www.nature.com/articles/s41586-021-04301-9

本記事で紹介した内容は2026年11月時点の公表情報に基づきます。内容は変更される可能性があります。最新の内容は出典の一次情報をご確認ください。

制御AIの適用可能性を、自社の研究開発課題で見極めるには

DeepMindとEPFLの実証が示したのは、学習型の制御は、対象の物理モデルとシミュレータが整った要素技術から入り得るということです。AOHA LABでは、ディープテック領域の調査と事業化支援の中で、AI応用の射程の見極めや検証計画の組み立てを支援しています。

まず第一歩として、自社の制御課題を要素技術ごとに分解し、それぞれについて「物理モデルやシミュレータがどこまで整っているか」を書き出してみてください。学習型手法の前提条件がそろっている要素と、そうでない要素の切り分けが、適用可能性の判断の出発点になります。

そのうえで、検証の進め方を自社の研究開発計画に組み込む方法については、この記事の下にある相談フォームから、30分無料相談を受け付けています。