Un atelier de deux jours organisé dans le cadre du CEN/WS 064 — le processus d'atelier CEN coordonnant la recherche prénormative et l'évolution des codes pour la conception et la construction des réacteurs nucléaires de génération IV, présidé par K-F Nilsson de l'unité Matériaux avancés et réacteurs du JRC — a réuni six intervenants de trois continents les 8 et 9 septembre 2026, pour présenter où l'apprentissage automatique aide réellement à qualifier des matériaux pour les réacteurs avancés et les installations de fusion, et où il n'aide pas. Les exposés couvrent les alliages de première paroi pour la fusion, le fluage à haute température, l'infrastructure numérique des matériaux, l'inspection en service, et une critique spécifiquement nucléaire du RAG standard — mais le résultat le plus substantiel est la constance avec laquelle chaque intervenant, travaillant indépendamment sur des problèmes sans rapport entre eux, est arrivé au même principe limitant.
Le problème central : la qualification prend des décennies, et les données ne rattrapent jamais leur retard
Mark Messner, d'Argonne National Laboratory, a posé la contrainte avec précision : qualifier l'Alliage 617 pour un usage à haute température a pris de 1972 à 2020 — près de cinq décennies d'accumulation de données d'essai avant que le matériau puisse être jugé fiable dans la plage de température et de durée pertinente. Son approche combine un modèle physique de plasticité cristalline avec un substitut à réseau de neurones et une inférence bayésienne pour extrapoler des essais de fluage à court terme sur l'acier 316H vers un comportement de rupture à long terme, atteignant environ 20 fois la durée d'essai réelle avec une bonne précision. Sa propre mise en garde sur la place des LLM actuels dans ce processus : ils sont bons pour résumer les connaissances existantes, mais « je ne leur ferais pas confiance sur un système de matériau entièrement nouveau ». M. Ortiz de Zuñiga, de F4E (l'organisme européen de l'énergie de fusion), a fait le même constat sous-jacent depuis la direction opposée, décrivant la qualification des matériaux comme fondamentalement « un problème d'extrapolation, pas un exercice de benchmark ». Son pipeline combinant forêt aléatoire et réseau de neurones informé par la physique pour le CuCrZr — un alliage candidat pour la première paroi des réacteurs de fusion — combinait 1 574 lignes de données réelles avec 13 600 lignes synthétiques issues de simulations physiques, faisant passer la précision de test d'environ 87-92 % à 92-93 %, avec une importance des variables retrouvant correctement les facteurs métallurgiques connus comme la température d'essai, la condition de trempe et la taille de grain. Sa propre réserve de clôture rejoignait celle de Messner : l'IA comble des lacunes dans les données, elle ne contourne pas la vérification par des essais d'ancrage.
Le volet infrastructure : la plateforme DIAMOND française et une nouvelle fédération européenne
François Willaime, du CEA, présentant avec les co-responsables du PEPR DIADEM Frédéric Schuster et Mario Maglione, a décrit DIAMOND, l'épine dorsale numérique du programme français PEPR DIADEM, doté de 110 millions d'euros (2022-2031). Elle repose sur trois piliers : des codes de simulation et des flux de travail conteneurisés (DIAMOND-CW, utilisant AiiDA et Guix), une couche de gestion des données tournant sur l'infrastructure cloud du TGCC et mise en service fin 2026 (DIAMOND-DM), et une base de données de potentiels interatomiques appris par apprentissage automatique sur MongoDB (DIAMOND-MLIP). Le programme est désormais relié à une nouvelle infrastructure fédérée paneuropéenne appelée MaterialsCommons, lancée en juin 2026 — signe que le secteur de l'IA pour les matériaux nucléaires se consolide autour d'une infrastructure de données partagée et fédérée plutôt que chaque programme national construisant isolément.
Où les PINN battent réellement le ML classique, et où interviennent les graphes de connaissances
Le Pr Nawal Prinja, présentant un cadrage large de l'IA à travers la conception, la construction et l'exploitation des réacteurs, a livré l'une des comparaisons directes les plus nettes de l'atelier : les réseaux de neurones informés par la physique ont surpassé à la fois la régression linéaire et la forêt aléatoire sur l'extrapolation de la décroissance nucléaire et des examens post-irradiation, avec une erreur quadratique moyenne de test de 45 pour le PINN contre 75-173 pour les méthodes classiques. Sa contribution la plus intéressante sur le plan structurel a été GRACE (Graphical RAG for Critical Engineering) — une réponse directe au constat que le RAG standard « ne sait pas ce qu'il ne sait pas ». Sa proposition consiste à construire des graphes de connaissances spécifiquement pour donner aux dossiers de sûreté des chaînes de preuves traçables et auditables, plutôt que de dépendre des choix de récupération implicites et invérifiables d'un pipeline RAG standard. C'est une version spécifiquement nucléaire d'une préoccupation que ce blog a déjà suivie plus largement dans les affirmations d'IA appliquée à la science : le fait qu'un résultat de système soit persuasif est une propriété différente du fait qu'il soit vérifiable, et dans un contexte de dossier de sûreté, c'est la vérifiabilité qui est réellement exigée.
« La course à la qualification ne va pas plus vite »
Adrien Couet, de l'Université du Wisconsin-Madison, présentant le programme MADCOR, a offert le résumé en une phrase le plus clair de l'atelier sur ce que les tests à haut débit et le ML changent réellement : « La course à la qualification ne va pas plus vite — ce qui change, c'est quels candidats arrivent à la ligne de départ. » Son groupe a mené une irradiation ionique à haut débit — 92 échantillons répartis sur quatre campagnes en trois semaines au UW Ion Beam Lab et au NSUF — et un criblage de corrosion en sels fondus au CEA, 382 essais en cinq mois, couplés à une analyse par forêt aléatoire et SHAP pour identifier quels facteurs de composition et de procédé pilotent réellement la dégradation. Il a été explicite sur les limites de cette approximation : l'irradiation ionique n'est pas l'irradiation neutronique, et un essai de corrosion accéléré n'est pas la chimie opérationnelle réelle. Le duo haut débit plus ML est un outil de présélection, réduisant un vaste bassin de candidats aux quelques alliages qui méritent les années d'essais de qualification qui suivent — pas un substitut à ces essais.
L'exposé au constat véritablement inconfortable
Le résultat le plus concret et le plus prudent de l'atelier est venu de Muthu Elen, Richard Jacob et leurs collègues du Pacific Northwest National Laboratory, présentant des tests de confirmation indépendants — commandités par la Commission de réglementation nucléaire américaine (NRC), PNNL louant l'outil sans partager de données en retour au fournisseur — du système d'IA « Box » de TrueFlaw pour l'inspection par ultrasons des soudures lors des inspections en service des réacteurs. L'évaluation par PNNL de logiciels commerciaux d'analyse de données assistée pour cet usage est un programme réel, commandité par la NRC, et le résultat précis présenté était un véritable compromis plutôt qu'une amélioration nette : la détection des défauts est passée de 97 % à 100 % selon les versions logicielles, mais le taux de fausses alertes a augmenté en parallèle, de 58 % à 83 %. Une version plus récente de l'outil qui manque moins de défauts réels crie aussi au loup sur bien plus de quatre alertes sur cinq qu'elle déclenche. L'exposé notait aussi que les vérifications de paramètres essentiels — les garde-fous procéduraux que les inspecteurs sont censés suivre — sont exécutées par le système mais pas imposées par lui, laissant ouverte la question de qui est réellement responsable quand une vérification est sautée. L'exposé s'est conclu sur des questions réglementaires non résolues que cela soulève directement : si un réentraînement spécifique au site est nécessaire, si le langage actuel du code ASME est adapté à l'inspection assistée par IA, et le risque plus large de voir la confiance se déplacer des experts humains vers un algorithme plus vite que les preuves justifiant ce déplacement ne sont établies.
Le panel, et le fil conducteur des six exposés
Le panel de clôture, animé par Prinja avec Messner, Ortiz de Zuñiga et Gareth Hopkins de l'Office for Nuclear Regulation britannique confirmés comme participants, s'articulait autour de trois questions : si le domaine a besoin de meilleurs modèles ponctuels ou d'une incertitude mieux quantifiée, jusqu'où l'extrapolation peut être poussée en toute sécurité au-delà des données d'essai disponibles, et où devrait aller le budget d'essais de la prochaine décennie. À travers les six exposés et les domaines qu'ils couvrent — alliages de fusion, fluage à haute température, infrastructure numérique, extrapolation de décroissance et d'examen post-irradiation, criblage accéléré, et inspection en service — le même principe limitant est apparu indépendamment à chaque fois : le ML informé par la physique peut raisonnablement étirer des données de qualification réellement rares plus loin que la seule statistique classique, mais chaque intervenant a traité l'ancrage aux essais physiques et au jugement d'experts humains comme une contrainte non négociable sur la technologie plutôt que comme une réserve à faire disparaître par l'ingénierie. Dans un domaine de recherche qui passe des décennies à qualifier un seul alliage avant de lui faire confiance près d'un cœur de réacteur, c'est moins une limitation admise à contrecœur que la norme professionnelle réelle sur laquelle tout le domaine est visiblement construit.
À surveiller
- Si les propositions d'évolution de code du CEN/WS 064 font directement référence à ces travaux IA/ML. L'atelier s'inscrit dans un processus actif de recherche prénormative pour les codes de construction de génération IV ; que les méthodes d'extrapolation par ML informé par la physique finissent réellement dans le langage des codes, plutôt que de rester un complément côté recherche, est le vrai test de leur adoption.
- La mise en service réelle de la couche de données DIAMOND-DM fin 2026, et si la fédération de MaterialsCommons entre programmes européens produit des jeux de données partagés plutôt que des jeux de données nationaux parallèles.
- Si l'évaluation par la NRC des outils d'inspection assistée par IA aboutit à une position publiée sur l'application des paramètres essentiels. Un outil de détection qui n'est pas tenu d'imposer les vérifications de sécurité qu'il exécute est une question réglementaire ouverte, pas résolue, selon le cadrage même de PNNL.
- Si le compromis sur le taux de fausses alertes trouvé par PNNL est corrigé dans les versions logicielles ultérieures de TrueFlaw, ou si une détection plus élevée au prix de bien plus de fausses alertes devient un point de fonctionnement accepté pour l'inspection en service.