Le Fusion Equilibrium Challenge publie 133 Go de données tokamak expérimentales et lance un défi à la communauté mondiale de l’IA : reconstruire la géométrie magnétique d’un plasma à partir de seuls diagnostics non magnétiques.
AUSTIN, Texas — 11 août 2026 — Sophelio annonce aujourd’hui le lancement du Fusion Equilibrium Challenge, le premier concours dédié à l’énergie de fusion accepté dans le cadre du NeurIPS Competition Track. Organisé en partenariat avec l’installation nationale de fusion DIII-D, le programme FAIR-MAST de l’UKAEA, et l’Université du Texas à Austin (Institute for Fusion Studies, IFS) — les données étant hébergées sur Hugging Face —, le concours invite la communauté mondiale du machine learning à reconstruire la structure magnétique invisible qui confine un plasma de fusion en utilisant uniquement des mesures diagnostiques non magnétiques : une capacité que les centrales de fusion de prochaine génération devront maîtriser pour fonctionner de manière routinière.
Les futurs dispositifs de classe réacteur — tels qu’ITER, SPARC, ARC et CFETR — opéreront sous des flux neutroniques qui détériorent les capteurs magnétiques dont dépendent les codes d’équilibre traditionnels. Le Fusion Equilibrium Challenge demande si le machine learning peut, à la place, reconstruire la géométrie magnétique qui confine un plasma de fusion — incluant la carte complète en deux dimensions du flux poloïdal, ψ(R,Z), ainsi que les paramètres d’équilibre clés — en utilisant uniquement des données non magnétiques telles que les courants des bobines de champ poloïdal et les profils électroniques issus de la diffusion Thomson. Une solution performante pourrait permettre l’inférence d’équilibre lorsque les mesures magnétiques sont indisponibles, dégradées ou limitées, soutenant ainsi un fonctionnement à diagnostics réduits et réduisant la complexité diagnostique pour les futurs systèmes de fusion de classe réacteur.
Le jeu de données
Le jeu de données, publié sous licence CC BY 4.0 sur Hugging Face, contient 9 121 décharges plasma issues de deux tokamaks expérimentaux distincts : 7 915 provenant du DIII-D National Fusion Facility (San Diego) et 1 206 du MAST, publiées via le programme FAIR-MAST de l’UKAEA (Culham).
Le concours pose la question suivante : peut-on inférer la géométrie magnétique sans aucun diagnostic magnétique, en utilisant uniquement les mesures non magnétiques disponibles lors du fonctionnement courant d’un tokamak ? L’inclusion de plusieurs dispositifs introduit une deuxième question scientifique distincte : les modèles de machine learning produits capturent-ils des corrélations propres à chaque machine, ou découvrent-ils des représentations qui restent utiles sur des dispositifs aux géométries, diagnostics et conditions de fonctionnement substantiellement différents ?
Citations
« Chaque avancée majeure en machine learning a suivi la publication de jeux de données ouverts et de benchmarks significatifs. Nous croyons que la fusion est prête pour la même transition. En engageant la communauté mondiale de l’IA sur un problème que les futurs réacteurs devront réellement résoudre, nous espérons accélérer les deux domaines simultanément. » — **Craig Michoski**, Co-fondateur et CEO, Sophelio
« DIII-D est une installation unique pour soutenir les avancées en machine learning pour l’énergie de fusion. La combinaison de notre importante archive de données avec la capacité de mener de nouvelles expériences — pour construire des jeux de données plus complets et valider les simulations — donne aux chercheurs une capacité remarquable pour développer des modèles complets qui permettront les futurs réacteurs à fusion. » — **Craig Petty**, Directeur des Expériences, DIII-D National Fusion Facility
DIII-D : une installation en activité, pas une archive
DIII-D est une installation en activité, et non une archive. Au-delà des décharges publiées, l’installation mène régulièrement des campagnes expérimentales pour répondre aux besoins prioritaires de la science de la fusion. Le programme prévoit des campagnes visant à combler les lacunes que ce concours exposera — en ciblant les conditions diagnostiques où les modèles de reconstruction sont les plus faibles.
Outil de visualisation : le Data Fusion Labeler (dFL)
Chaque décharge du jeu de données peut être explorée via le Data Fusion Labeler (dFL), la plateforme desktop gratuite de Sophelio pour les données de capteurs multimodaux. L’outil permet aux participants d’inspecter les contours du flux magnétique, les profils de diffusion Thomson et les séries temporelles diagnostiques avant de développer ou d’évaluer leurs modèles.
Calendrier et prix
- Phase 1 : ouverte dès maintenant, avec un classement public sur Codabench
- Phase 2 : débute en octobre 2026
- Résultats finaux : présentés à NeurIPS 2026 en décembre
Deux prix en espèces récompenseront :
- La meilleure reconstruction intra-machine
- La meilleure généralisation cross-machine en zero-shot
Les équipes les plus performantes recevront également une copaternité nominative sur le papier de retour d’expérience du concours et des invitations à présenter leurs travaux au NeurIPS Competition Workshop.
Inscription et participation
L’inscription est ouverte dès aujourd’hui. Chercheurs, étudiants et praticiens issus du machine learning comme de l’énergie de fusion sont invités à participer. Le site du concours, le jeu de données, le classement et les outils de visualisation sont disponibles à l’adresse suivante :
🔗 fusion-equilibrium-challenge.sophelio.io
Principales caractéristiques du concours
Le Fusion Equilibrium Challenge, accepté dans le cadre du NeurIPS 2026 Competition Track, publie environ 9 100 jeux de données expérimentaux issues de MAST et DIII-D en tant que benchmark ouvert pour l’inférence d’équilibre pertinente pour les réacteurs. Le concours invite la communauté mondiale de l’IA à résoudre le problème de la reconstruction des équilibres magnétiques sans recours aux données des capteurs magnétiques. Ce défi est central pour les réacteurs de fusion : les capteurs magnétiques sont difficiles à maintenir dans un environnement réacteur, et la dérive des intégrateurs de champ devient critique pour les opérations longues durées.
Ce benchmark ouvert vise à accélérer le développement des méthodes de machine learning pour l’énergie de fusion et à augmenter l’accessibilité et l’impact des jeux de données expérimentaux financés sur fonds publics.
Les travaux sont dirigés par Craig Michoski chez Sophelio (sophelio.io) dans le cadre des financements DOE DE-SC0025987 et DE-SC0024426. Une partie de ce travail est soutenu par le Département américain de l’Énergie, Office of Science, Office of Fusion Energy Sciences, en utilisant l’installation nationale DIII-D, une user facility du DOE Office of Science, sous l’attribution DE-FC02-04ER54698.
🔗 fusion-equilibrium-challenge.sophelio.io 🔗 huggingface.co/datasets/Sophelio/fusion-equilibrium-challenge 🔗 github.com/Sophelio/dFL 🔗 d3dfusion.org
À propos de Sophelio
Sophelio est une entreprise ML/IA basée à Austin, Texas, développant la plateforme de labeling n°1 pour les données de capteurs IA. Son produit phare, le Data Fusion Labeler (dFL), est une plateforme de labeling et d’harmonisation de séries temporelles multimodales axée sur le signal — utilisée dans les domaines de l’énergie de fusion, la robotique, la fabrication additive, le biomédical et le machine learning climatique. Sophelio est lauréate d’un financement DOE.
À propos de l’Installation Nationale de Fusion DIII-D
DIII-D est la plus grande installation de recherche sur la fusion magnétique aux États-Unis et a été le site de nombreuses contributions pionnières au développement de la science de l’énergie de fusion. En tant que banc d’essai de fusion permettant des avancées critiques en science et technologie, DIII-D poursuit l’objectif d’une énergie de fusion pratique grâce à une recherche innovante menée en collaboration par plus de 800 scientifiques représentant plus de 100 institutions à travers le monde. La recherche menée à DIII-D, une user facility du Département américain de l’Énergie, Office of Science, est ouverte à tous les partenaires intéressés. Pour plus d’informations : www.d3dfusion.org
Contacts presse
Sophelio — Jerry Louis-Jeune, [email protected]
DIII-D National Fusion Facility Lindsay Ward-Kavanagh [email protected]
