Une IA qui pilote un plasma de fusion en 20 millisecondes, un contrat d’achat d’électricité de fusion signé par Microsoft pour 2028, des alumni de DeepMind qui montent une startup uniquement dédiée au contrôle des tokamaks : le secteur, longtemps cantonné aux labos publics, commence à bouger sous l’effet direct de l’intelligence artificielle. La question n’est plus de savoir si l’IA peut aider la fusion, mais où elle change déjà la donne : contrôle en temps réel, simulation accélérée, business models autour de la fourniture d’énergie pour les data centers d’IA. Entre démonstrations spectaculaires dans des tokamaks existants et ambitions commerciales encore loin du réseau électrique, la transformation est réelle mais partielle. Ce panorama se concentre sur les avancées 2024-2026, là où l’IA quitte les papiers de recherche pour toucher les expériences et les contrats industriels.
L’IA s’installe dans la boucle de contrôle des tokamaks
Mini-takeaway : en 2026, des systèmes d’IA ne se contentent plus d’analyser les plasmas, ils les pilotent en temps réel à l’échelle de la milliseconde.
Les tokamaks sont des machines en forme de donut où un plasma à plus de 100 millions de degrés doit être confiné par des champs magnétiques extrêmement précis. Historiquement, cette boucle de contrôle s’appuie sur des modèles physiques lourds, des reconstructions d’équilibre et des contrôleurs classiques de type PID, mis à jour à des fréquences limitées.
À partir de 2022, une équipe de DeepMind et du Swiss Plasma Center a montré qu’un contrôleur par apprentissage par renforcement pouvait piloter directement les 19 bobines magnétiques du tokamak TCV à partir des signaux bruts. Le système utilisait un unique réseau de neurones pour ajuster les tensions à des fréquences de l’ordre du kilohertz, sans étape de reconstruction d’équilibre dans la boucle. Les auteurs rapportaient un écart moyen quadratique (RMSE) d’environ 0,62 kA sur le courant de plasma et 0,75 cm sur la forme, sur des séquences de 0,1 à 1 seconde.
En 2024, ce type d’approche s’est étendu au tokamak DIII-D, l’une des plus grandes installations de fusion au monde. Un contrôleur par renforcement sur DIII-D a été capable de maintenir sous un certain seuil la probabilité d’une instabilité dite de « déchirement », une des causes typiques de disruption du plasma. Ces résultats ont été publiés dans la revue Nuclear Fusion, ce qui marque un passage de la preuve de concept à une étape évaluée par les pairs.
En 2025-2026, l’architecture PACMAN (Prediction And Control using MAchiNe learning), développée par le Princeton Plasma Physics Laboratory, va plus loin. PACMAN est un cadre modulaire où plusieurs modèles d’IA – prédiction d’instabilités, optimisation de paramètres, contrôle temps réel – travaillent ensemble dans la boucle. Testé lors de cinq campagnes d’expériences sur le tokamak DIII-D, PACMAN fonctionne avec une boucle de contrôle complète de l’ordre de 20 millisecondes. Lors d’un essai, un modèle a anticipé une instabilité de déchirement environ 200 millisecondes avant son apparition, suffisamment tôt pour ajuster les conditions de plasma et tenter de l’éviter.
> 💡 À retenir : en 2026, la régulation de plasmas de fusion à l’échelle de la milliseconde n’est plus uniquement une question de contrôle classique : des contrôleurs entraînés par IA sont déjà testés sur des tokamaks de référence.
Prédiction d’instabilités : l’IA devient le radar des plasmas
Mini-takeaway : l’IA ne garantit pas encore un plasma parfaitement stable, mais elle permet de voir les problèmes arriver plus tôt et de réduire les erreurs de prédiction.
Les plasmas de fusion sont sujets à toute une gamme d’instabilités : déchirements, disruptions complètes, changements lents des composants matériels qui modifient la réponse de la machine. Pour rester proche des régimes de fonctionnement sûrs, les équipes ont besoin de modèles qui anticipent ces phénomènes à partir de mesures en temps réel.
Un travail mené au DIII-D National Fusion Facility en 2026 introduit un framework de machine learning en ligne qui s’adapte en continu aux données arrivant des diagnostics et du matériel. Ce système utilise des réseaux de neurones profonds et une approche de « online learning » capable de mettre à jour les modèles pendant que l’expérience continue.
Sur DIII-D, l’équipe rapporte une réduction d’environ 80 % de l’erreur de prédiction par rapport à des modèles de ML statiques. Concrètement, le framework s’attache à prédire les changements dans le matériel – par exemple des dérives dans les capteurs ou l’électronique – d’un tir à l’autre. Cette correction dynamique améliore les estimations de variables critiques comme le courant, la densité ou la géométrie du plasma.
Plus généralement, les systèmes d’AI fusion plasma control décrits en 2026 combinent plusieurs tâches :
- reconnaissance d’état de plasma via des modèles de deep learning sur les signaux magnétiques, la densité et la température
- estimation du risque d’instabilité via des modèles de séries temporelles et d’anomaly detection
- pilotage actif des bobines, du chauffage et du carburant via des politiques de reinforcement learning
Cette architecture multi-niveaux ne supprime pas la physique sous-jacente. Mais elle permet de mieux exploiter les diagnostics, d’identifier des patterns que des opérateurs humains ou des modèles rigides ne voient pas, et de gagner des dizaines à des centaines de millisecondes de marge.
> 💡 À retenir : la principale valeur ajoutée de l’IA aujourd’hui est dans la prédiction : moins d’erreurs, plus de temps de réaction et une meilleure utilisation des capteurs existants.
Simulateurs open source et startups : l’IA sort des labos
Mini-takeaway : depuis 2024, la mise à disposition de simulateurs open source et l’arrivée de nouvelles startups spécialisées montrent que le contrôle par IA devient un terrain de jeu industriel.
Pour entraîner des contrôleurs par apprentissage par renforcement, les chercheurs ont besoin de simulateurs de tokamak capables de reproduire les comportements de plasma à haute fréquence. En 2024, l’équipe DeepMind–EPFL a publié le code du simulateur TORAX en open source. TORAX permet de simuler les réponses magnétiques du tokamak TCV et de tester des politiques de contrôle avant de les déployer sur la machine réelle. L’ouverture de ce code abaisse les barrières pour d’autres équipes, publiques ou privées, qui souhaitent reproduire ces résultats ou les étendre à leurs propres géométries.
À partir de 2025, ce savoir-faire quitte directement les labos. Des alumni de Google DeepMind lancent une startup baptisée Fusionality, dont le cœur de métier est de fournir des systèmes de contrôle et des environnements de simulation pour les développeurs de réacteurs de fusion. Leur pitch est explicite : faire « sauter des années d’essais-erreurs d’ingénierie » en fournissant une couche d’IA capable de stabiliser les plasmas plus rapidement.
Le cofondateur Felici, passé par EPFL et DeepMind, résume la position actuelle :
"L’IA jouera un rôle important dans les systèmes de contrôle futurs, mais elle n’est pas encore prête à gérer tout le défi seule. Aujourd’hui, elle est plus susceptible de compléter, d’améliorer ou d’optimiser certaines parties du système."
Autrement dit, ni DeepMind ni Fusionality ne défendent un réacteur entièrement piloté par IA. L’IA sert plutôt de « copilote » sur des blocs précis :
- optimisation des trajectoires de plasma
- réglage des coils à haute fréquence
- calibration continue des diagnostics
En parallèle, des frameworks comme PACMAN sont conçus pour être modulaires. Ils peuvent intégrer différentes briques de ML – y compris celles développées par des startups – aux côtés de contrôleurs classiques.
> 💡 À retenir : l’arrivée d’acteurs comme Fusionality et l’ouverture de simulateurs comme TORAX signalent une nouvelle phase : l’IA pour la fusion devient un marché, pas seulement un sujet de papier scientifique.
Contrats industriels : fusion, IA et data centers commencent à se rencontrer
Mini-takeaway : les premières promesses commerciales autour de la fusion visent directement les besoins énergétiques des géants de l’IA, même si aucun kilowatt issu de fusion n’alimente encore leurs GPU en 2026.
En mai 2023, Microsoft a signé ce qui est présenté comme le premier Power Purchase Agreement (PPA) pour de l’électricité issue de la fusion avec la startup Helion Energy. Le contrat prévoit une livraison au réseau autour de 2028, avec une montée en puissance vers au moins 50 mégawatts dans l’année suivant le démarrage. Helion vise des installations compactes, basées sur une approche de "magnetized target fusion".
Le PPA s’inscrit dans une stratégie plus large où Microsoft investit dans des technologies nucléaires avancées pour sécuriser l’alimentation de ses data centers. Helion compte parmi ses investisseurs des figures de l’écosystème IA, notamment le CEO d’OpenAI. Une communication ultérieure de Helion mentionne qu’un client comme OpenAI est également partie prenante dans l’achat de ses futures installations.
En Asie, une entreprise comme Nova Fusion a annoncé en 2026 une levée de 1,2 milliard de yuans (environ 150 à 170 millions d’euros selon les taux) en série Pre-A. Son modèle économique affiché consiste à construire de petites centrales de démonstration distribuées, destinées notamment à alimenter des data centers IA et d’autres infrastructures critiques.
Ces annonces restent conditionnées à des démonstrations physiques qui n’ont pas encore eu lieu à l’échelle du réseau. Mais elles montrent deux points structurants :
- les data centers IA sont vus comme des clients naturels pour une énergie de fusion, si elle devient disponible
- les grands groupes tech ne se contentent plus de financer la recherche, ils s’engagent sur des contrats d’achat à des dates précises (2028 pour Microsoft–Helion)
> 💡 À retenir : l’IA n’est pas seulement un outil pour la fusion ; elle crée une demande massive d’énergie qui rend les business plans des startups de fusion plus crédibles auprès des investisseurs.
L’IA pour la fusion : quels cas d’usage concrets aujourd’hui ?
Mini-takeaway : en 2026, les cas d’usage les plus concrets de l’IA dans la fusion se concentrent sur le contrôle en temps réel, la simulation et la surveillance des installations.
Contrôle en temps réel du plasma
La première catégorie d’applications est le pilotage direct des plasmas par des politiques de reinforcement learning. Les expériences sur TCV et DIII-D montrent qu’un réseau de neurones peut :
- lire des signaux magnétiques à haute fréquence
- ajuster les tensions des bobines de manière milliseconde
- maintenir des formes de plasma et des paramètres dans une enveloppe cible
PACMAN illustre une intégration plus large, avec plusieurs modèles spécialisés dans :
- la prédiction d’instabilités
- le suivi de variables comme la pression normalisée
- la formation de barrières de transport internes via des réglages fins de chauffage et de faisceaux neutres
Simulation accélérée et design de réacteurs
La deuxième catégorie est la simulation. Les simulateurs comme TORAX, ouverts en 2024, permettent de :
- entraîner des contrôleurs sur des millions d’épisodes simulés
- explorer des géométries ou des régimes de fonctionnement avant de les tester en machine
Les startups comme Fusionality proposent de pousser cette logique plus loin, en offrant aux équipes de fusion des environnements qui combinent :
- modèles physiques traditionnels
- surcouches d’IA pour accélérer certaines étapes de calcul ou de calibration
Le gain est moins spectaculaire que la boucle de 20 millisecondes, mais important pour réduire le cycle conception–test.
Surveillance, maintenance et dérives matérielles
La troisième catégorie est la surveillance du matériel et des capteurs. Le framework de ML développé pour DIII-D montre qu’un modèle capable de s’adapter en ligne aux dérives des composants peut réduire l’erreur de prédiction globale de 80 %. Ce type d’approche peut :
- signaler des capteurs en train de dériver
- compenser des changements thermiques ou mécaniques entre les tirs
- éviter des interprétations erronées des données physiques
> 💡 À retenir : si la promesse ultime de l’IA reste un contrôle optimal du réacteur complet, les impacts visibles en 2026 sont déjà tangibles sur des blocs bien précis : pilotage, simulation, surveillance.
Comparatif : où l’IA est-elle la plus avancée dans la fusion ?
Mini-takeaway : les plateformes les plus avancées combinent démonstrations expérimentales, simulateurs ouverts et produits commerciaux naissants.
Le tableau suivant compare plusieurs approches représentatives par leur stade de maturité, leurs fonctionnalités et la manière dont elles sont utilisées.
| Acteur / système | Type d’usage IA | Contexte (année / installation) | Caractéristiques clés | Niveau de maturité |
|---|---|---|---|---|
| DeepMind + EPFL (TCV) | Contrôle par reinforcement learning des bobines | 2022, tokamak TCV en Suisse | Politique unique commandant 19 bobines, contrôle temps réel des formes de plasma, RMSE ~0,62 kA courant et ~0,75 cm forme | Démonstration expérimentale validée par revue Nature |
| PACMAN (Princeton, DIII-D) | Cadre modulaire de prédiction et contrôle ML | 2025-2026, DIII-D National Fusion Facility | Boucle de contrôle complète ~20 ms, prédiction d’instabilités de déchirement ~200 ms avant, intégration de plusieurs modèles ML | Campagnes d’expériences sur tokamak existant, publication dans Nuclear Fusion |
| Framework ML de prédiction matérielle (DIII-D) | Online learning pour dérives hardware | 2026, DIII-D | Adaptation continue aux données, réduction d’erreur de prédiction d’environ 80 % vs modèles statiques | Déployé sur installation expérimentale, orienté fiabilité opérationnelle |
| TORAX (simulateur open source) | Simulation de réponse magnétique pour entraînement RL | 2024, TCV et autres tokamaks compatibles | Code ouvert, permet d’entraîner des politiques de contrôle avant déploiement réel | Outil de recherche largement réutilisable, base pour startups et labos |
| Fusionality (startup) | Produits de contrôle et simulation IA pour fusion | 2025-2026, fondée par alumni DeepMind | Environnements de simulation et systèmes de contrôle visant à raccourcir les cycles d’ingénierie | Startup early-stage, pas encore de centrale mais des clients potentiels chez les développeurs de réacteurs |
| Helion Energy + Microsoft (PPA) | Approche commerciale visant à alimenter data centers IA | Contrat signé en 2023, cible réseau 2028 | PPA ≥50 MW après 1 an de montée en charge, design de centrale compact pour data centers | Engagement commercial fort, mais dépendant de démonstrations technologiques à venir |
Ce comparatif montre une chaîne complète :
- labos (EPFL, DIII-D, Princeton) qui valident des approches IA sur des installations existantes
- outils open source (TORAX) qui abaissent le seuil d’entrée pour d’autres équipes
- startups spécialisées (Fusionality) qui tentent d’en faire des produits
- partenariats industriels (Helion–Microsoft) qui visent un débouché réseau et data centers IA
> 💡 À retenir : la transformation par l’IA avance plus vite sur les couches logicielles (contrôle, simulation) que sur les promesses de production d’électricité, encore dépendantes de démonstrations à venir.
Notre avis : qui va vraiment profiter de ces avancées dans les 6 prochains mois ?
Mini-takeaway : les principaux bénéficiaires à court terme ne sont pas les consommateurs d’électricité, mais les équipes de R&D fusion et les startups qui construisent la stack logicielle.
Au vu des données 2024-2026, plusieurs constats s’imposent. D’abord, la fusion n’alimente toujours pas le réseau en 2026. Les contrats comme celui entre Microsoft et Helion fixent une cible 2028, mais aucun mégawatt commercial de fusion n’est disponible aujourd’hui pour des GPU.
Ensuite, la partie qui progresse vite est celle où l’IA excelle déjà dans d’autres secteurs :
- contrôle de systèmes complexes en temps réel
- analyse de séries temporelles en haute dimension
- optimisation sous contraintes
Les prochaines six mois devraient surtout profiter :
- aux laboratoires de fusion existants, qui peuvent intégrer des frameworks comme PACMAN ou des approches d’online learning pour améliorer la stabilité et la répétabilité de leurs expériences
- aux startups de contrôle et de simulation, qui peuvent capitaliser sur TORAX et des résultats de DeepMind pour proposer des solutions à SPARC (Commonwealth Fusion Systems), Helion ou d’autres acteurs
- aux équipes IA elles-mêmes, qui disposent de nouveaux cas d’usage très exigeants en temps réel, susceptibles d’améliorer les algorithmes de reinforcement learning et de contrôle robuste
Pour les géants du cloud et de l’IA, les six prochains mois seront probablement une phase de positionnement stratégique plutôt que de bascule énergétique. On peut s’attendre à :
- d’autres accords préliminaires entre startups de fusion et opérateurs de data centers
- une montée en visibilité des projets liant fusion et IA dans les communications corporate
La vraie inconnue reste le rythme des démonstrations physiques. Si un acteur parvient à montrer de manière reproductible un gain net d’énergie dans une configuration commercialisable, les contrats comme celui de Microsoft–Helion prendront une dimension très différente.
D’ici là, la transformation du secteur par l’IA est déjà palpable, mais très ciblée : elle se voit dans les logs des tokamaks, dans les cadences de simulation, dans la diminution des instabilités anticipées.
La question ouverte est donc la suivante :
à quel moment ces gains de contrôle et de prédiction se traduiront-ils en kilowattheures sur le réseau, et donc en GPU réellement alimentés par la fusion pour entraîner les prochains modèles d’IA ?