PACMAN AI Frameworkは高速に動作するが、ハードウェア安全限界が最終的な権限を持つ
PACMAN AI frameworkは5件の核融合実験で20ミリ秒ごとに制御判断を行う一方、別個の出力レイヤーがハードウェア安全限界に関する権限を維持した。この分離は重要である。機械学習モデルが加熱、プラズマ密度、回転、不安定性の防止にリアルタイムで影響を与えられるためだ。
Princeton Plasma Physics LaboratoryとPrinceton Universityの研究者が開発したPACMANは、Prediction And Control using MAchiNe learningの頭字語である。同フレームワークは複数の機械学習モデルを、San DiegoにあるDIII-D National Fusion Facilityの制御システムに接続する。
重要なのは、AIが科学機器を運用したという点ではない。研究者はすでに、個別の核融合制御課題に機械学習を利用している。PACMANはむしろ、どのモデルにも装置に対する最終権限を与えずに、モデルを組み合わせるための共通インフラを構築する。
この設計では、二つの目標が直接的に緊張関係に置かれる。AIには人間より速く反応できるだけの自由が必要である一方、モデルが未知の条件に遭遇した場合にも安全制御は予測可能でなければならない。PACMANの答えはアーキテクチャ上の分離だ。モデルが行動を提案し、決定論的な制御ロジックがハードウェアが受け入れ可能な内容を決定する。
このアプローチは人間による監督をなくすものではない。研究者は引き続き実験目標を設定し、運用パラメータを定義し、実験の合間に結果をレビューする。また、PACMANは核融合研究以外の通常の実験室機器で実証されたわけでもない。
それでも、この試験はAI駆動の自動化を検討する実験室に具体的な例を示している。最も安全な導入は、モデルを完全に信頼できるものにすることよりも、モデルが誤った場合の影響を制限することに左右される可能性がある。
PACMAN AI Frameworkは複数のモデルを一つの制御ループへ接続する
PACMANは、各モデルにトカマクへの無制限のアクセスを与えることなく、個別の機械学習実験を連携した制御システムへと変える。
このフレームワークは、Nuclear Fusionに掲載された査読済みのPACMAN control paperで説明されている。著者らは、US Department of Energyのユーザー施設として運用されるトカマク、DIII-D向けにPACMANを設計した。
トカマクは、極めて高温に加熱された電気的に帯電したガスであるプラズマを、磁場によって閉じ込める。研究者は、そのプラズマを有用な運転領域に保つため、磁石、ガス注入装置、加熱システムを継続的に調整する。
こうした調整は厳しい制御課題を生む。プラズマ条件はミリ秒単位で変化し得る一方、詳細な物理シミュレーションには数日から数カ月を要する場合がある。翌年の実験計画に適したモデルは、現在のショット中に進行する不安定性を管理できない。
PACMANは、反復する制御ループによってこの時間的な不一致に対処する。システムは温度、密度、磁気信号などの測定値を収集する。それらの入力にエラーがないかを確認し、共通の形式にパッケージ化する。
次に、機械学習モデルが割り当てられたタスクに関連する測定値を読み取る。一部のモデルはプラズマの現在の状態を推定し、別のモデルは将来の事象を予測するか、行動を計算する。
コントローラーはそれらの結果を提案コマンドへと変換する。コマンドは加熱出力を変更したり、ジャイロトロンのミラーを動かしたり、利用可能な別のアクチュエータを調整したりできる。
最終段階は意図的に分離されている。コントローラーが互換性のない操作を要求した場合に競合を解決し、ハードウェア限界を適用し、受け入れ可能なコマンドだけをトカマクに送信する。
この出力段階は、AI制御の意味を変える。モデルは操作を推奨できるが、その操作を実行する無制限の権限を受け取るわけではない。
このアーキテクチャは、個々のモデルを独立した状態にも保つ。研究者は、他のすべてのコンポーネントを再設計することなく、一つのモデルを追加、削除、または置き換えられる。PPPL project accountによれば、最初のモデルの導入には数カ月を要した一方、二つ目の追加には数日しかかからなかった。
DIII-Dでは実験へのアクセスが限られているため、より迅速な統合は重要である。数カ月のカスタム制御エンジニアリングを必要とするモデルでは、試験、修正、比較の機会が減る。
PACMANのモジュール性は、この統合負担を軽減する。また、実験的なモデルコードと、確立された装置制御機能との間に安定した境界を設ける。
5件の実証は、一つの狭い予測タスク以上を対象とした。PACMANは、強化学習コントローラーによる加熱システムの運用、周辺部のエネルギーバーストの予測、高速粒子によって駆動される波の制御を可能にした。
また、研究者が定義した目標に向けて、プラズマ密度と回転を調整した。別の構成では、テアリングモードを予測し、その不安定性が発生する前にプラズマを変化させた。
テアリングモードは、プラズマの磁気構造を変化させ、核融合実験を終了させる可能性がある擾乱である。従来のコントローラーは、しばしば擾乱がすでに始まった後に対応する。
あるPACMAN実験では、モデルが事象を約200ミリ秒前に予測した。この時間枠により、抑制が必要になる前に制御システムがプラズマを調整できた。
このフレームワークは、DIII-Dにある6基すべてのジャイロトロンも協調制御した。これらの装置はプラズマにマイクロ波加熱を提供し、そのミラーと出力レベルは実験中に調整できる。
これらの装置を協調させるには、システムが複数の目標を同時に満たす必要があった。したがってこの実験は、単一のアクチュエータに接続された単一モデル以上のものを試験した。
結果は依然として研究実証であり、本番運用の認証ではない。しかし、統合されたAI制御が、独立した実行制御点を維持しつつ、物理的な科学ハードウェア上で運用できることを示している。
20ミリ秒が、誰が判断できるかを変える
速度上の優位性は、実験室に即時制御を委任する圧力をかけるが、安全方針の委任を正当化するものではない。
PACMANの共同主著者であるAndy Rothsteinによれば、集中している人間のオペレーターの反応は秒単位である。PACMANの完全なループは通常約20ミリ秒で実行され、実験中に繰り返される。
この違いは単に便利というだけではない。有効な介入が可能なうちにコントローラーが応答できるかどうかを決定する。
テアリングモードは、プラズマ放電を終了させるほど急速に成長し得る。オペレーターが複数の診断信号を解釈して対応を選ぶのを待てば、利用可能な応答時間を使い切る可能性がある。
機械学習は、こうした信号をより高速に評価できる。また、オフラインの科学分析で用いられる低速なシミュレーションを実行せずに、プラズマの挙動を近似できる。
これは、手作業で構成された制御経路や孤立した自動化に依存する核融合施設に圧力を生む。より高速なモデルは、オペレーターが瞬間ごとに管理できるより多くの信号とアクチュエータを協調させられる。
同じ圧力は他の科学環境にも現れるだろう。自動化学、材料試験、顕微鏡観察、バイオプロセシングはいずれも、ソフトウェアの判断と物理機器を組み合わせている。
しかし速度は、不適切なコマンドに気づくための時間も圧縮する。20ミリ秒ごとに繰り返すコントローラーは、何が変わったかを人が理解する前に多くの操作を実行できる。
そのため、PACMANの速度を制約と切り離して考えることはできない。このシステムが運用上の権限を得るのは、人間の設計者が確立した境界の内側だけである。
この区別は、目標と許可の違いに似ている。研究者は、コントローラーに目標のプラズマ状態への到達を求められる。ハードウェアルールは、その過程でどの操作が許容されるかを決定する。
PACMANの制御ループは、より長い時間軸にわたる人間の関与も維持する。物理学者はショット前に目標を定義し、その後に結果を検討し、後続の実験に向けてコントローラー設定を調整する。
したがって人間は、ミリ秒単位の判断を一つずつ承認しようとせずに実験を統治する。この階層化された時間モデルは、すべてのコマンドの前に承認プロンプトを置くよりも現実的な監督の形を提供する。
この圧力は、モデル開発者だけでなく実験室の管理者にもかかる。管理者は、即時の自動化を必要とする判断と、モデルの外部に残すべき方針を特定しなければならない。
また、誰がそれらの方針を変更できるかも明確にする必要がある。別個のソフトウェアに安全限界が存在しても、日常的なモデル更新がそれを密かに書き換えられるなら、保護にはほとんどならない。
このアーキテクチャでは、変更管理が中心的な役割を担う。チームには、モデル、コントローラー、安全制約、物理機器の構成に対して、それぞれ異なるレビュー手順が必要だ。
ログも同じ分離を保持しなければならない。調査者は、モデルが何を予測したか、コントローラーが何を要求したか、出力段階がどのコマンドを許可したかを判断できるべきである。
その記録は、予期しない結果の後に不可欠となる。それがなければ、チームはモデルのエラーを、不良なセンサーデータ、競合するコントローラー、またはアクチュエータの故障から区別できない。
PACMANは、すべての実験室に向けた普遍的なガバナンスパッケージを提供するものではない。しかし、自動化が人間の反応より速く動く前に、なぜ権限を分割しなければならないのかを示している。
モデルは提案し、安全レイヤーが決定する
PACMANの中心的なトレードオフは、機械学習に最適化の余地を与える一方で、物理的な限界に関する最終判断を認めないことにある。
機械学習システムは、従来の制御ルールとは異なる挙動を示す。その出力は、訓練データ、モデル構造、入力品質、運用中に遭遇する条件に依存する。
モデルは、構文上は有効でも物理的には不適切なコマンドを生成する可能性がある。変更を急ぎすぎたり、異常な信号を誤読したり、訓練範囲を超えて外挿したりするかもしれない。
PACMANは、モデルとコントローラーの後段に競合解決とハードウェア実行制御を置く。この配置は、提案されたすべての操作が機器に到達する前に同じ境界を通過しなければならないため重要である。
モデルは、すべてのハードウェア限界を理解する必要はない。出力レイヤーは、確立された制約に違反する要求を拒否または変更できる。
この分割は、モデルの置き換え時にも安全制御を保護する。研究者は、アクチュエータ限界を実行する経路全体を再構築せずに、新しい予測器を検証できる。
この原則は、PACMANの証拠自体はそうではないものの、核融合を超えて適用できる。液体ハンドラーには、固定された容量と移動範囲の制約を設けられる。リアクターは独立した温度および圧力限界を維持できる。
ロボットアームは、力、速度、作業空間の境界を維持できる。顕微鏡プラットフォームは、ステージの移動を制限したり、プローブと試料の危険な接触を防いだりできる。
これらの例はアーキテクチャを説明するものであり、PACMANによる実証済みの導入事例ではない。公開された実証は、DIII-Dとそのプラズマ制御システムに限定されている。
独立した安全ルールも、それだけで安全な実験室を保証するわけではない。チームは適切な限界を選び、その実装を試験し、モデルの外部で発生する故障を考慮しなければならない。
センサーの故障により、実際の物理条件下では受け入れ可能なコマンドが危険になり得る。ネットワーク遅延により、コマンドが意図した時点より後に到着する可能性もある。
個別には合理的な二つのコントローラーも、競合する可能性がある。一方は性能目標を達成するために加熱の増加を要求し、もう一方は不安定性を避けるために加熱を減らすかもしれない。
PACMANの出力段階は、こうした要求を仲裁する場を提供する。研究者らは、自律研究室全体で起こり得るあらゆる競合を解決したわけではないが、仲裁を明示的なシステム機能として位置付けた。
この選択は、モデルの出力そのものを命令として扱うアーキテクチャとは対照的だ。直接実行では、研究室がモデルの判断と、それに入力を供給するすべての上流コンポーネントに依存することになる。
AI研究室の安全性に関する研究は、慎重な姿勢を支持している。2025年の研究室安全性ベンチマークでは、危険の特定と現実的なシナリオについて、19の言語モデルおよび視覚言語モデルを評価した。
評価対象となったモデルはいずれも、危険特定で70％を超える精度には到達しなかった。このベンチマークには、765問の多肢選択問題と、3,128件の自由記述型タスクを含む404のシナリオが含まれていた。
この研究はPACMANを評価していない。PACMANは、実験機器を操作する汎用言語モデルではなく、特化型の機械学習コントローラーを用いるためだ。それでもこの比較は、より広範な信頼性の問題を浮き彫りにする。
構造化された設問でのモデル能力は、開放的な物理環境における安全な性能を保証するものではない。ある形式での高スコアは、制約の少ない状況における脆弱な推論を覆い隠す可能性もある。
原子間力顕微鏡向けの大規模言語モデルエージェントを扱った別の研究では、領域に関する強力な質疑応答能力が、研究室での操作に確実に結び付くわけではないことが示された。
研究者らは、「sleepwalking（夢遊）」と表現した指示逸脱を観察した。マルチエージェントシステムは単一エージェントより良好に機能したが、プロンプトの書式変更には依然として敏感だった。
繰り返すが、PACMANは言語モデルのエージェントではない。そのモデルは、専用に設計されたシステム内で、範囲が限定された制御および予測タスクを実行する。
重要なのは設計上の教訓にある。チームは、AIコンポーネントが既知の評価を通過していても失敗し得ると想定すべきだ。
モデルの外側に制限を設けることで、この想定をアーキテクチャに組み込める。開発者が、モデルが不適切な出力を生む可能性のあるすべての経路を予測する必要はない。
これが本稿の中核となる逆転の発想だ。より自律的な意思決定は、より自律的な安全権限を必要とするわけではない。
モデルが高速かつ適応的になるほど、モデル自身が上書きできない単純な強制レイヤーを設ける意義は強まる。
核融合制御は検証事例であり、普遍的な証明ではない
DIII-Dでの5件の成功実験は実現可能性を示すが、施設間や一般的な研究室機器への移植性を立証するものではない。
PACMANの開発者らは、そのモジュール式設計が異なる形状、規模、機器構成を持つトカマクを支援できると考えている。しかし、この主張は実証済みの成果ではなく、依然として開発目標である。
各核融合施設には、それぞれ固有の診断装置、タイミング制約、アクチュエーター、運転領域、機械保護システムがある。共通のソフトウェアパターンが、それらの違いをなくすわけではない。
PACMANを別のトカマクへ移すには、チームが現地の測定値をフレームワークに対応付ける必要がある。また、すべてのアクチュエーターインターフェースと安全制約を検証しなければならない。
モデル自体にも新たな学習データが必要になる可能性がある。DIII-Dで観測されたプラズマ挙動が、別の装置へそのまま移転できるとは限らない。
DIII-Dでの結果でさえ、慎重な解釈が必要だ。このフレームワークは5種類の異なる実験を支援しており、制御タスクの幅広さを示している。しかし、想定されるあらゆる装置状態にわたる継続運転を示したものではない。
センサーエラー、コントローラーの競合、未知のプラズマ状態がまれに組み合わさる事象は、依然として再現が難しい。こうした組み合わせこそ、安全アーキテクチャが信頼できるかを左右する場合が多い。
研究者らはまた、熟練オペレーターがおり、実験ショットが綿密に計画された研究施設でPACMANをテストした。日常的な研究室では、異なるワークフローや組織的な圧力に直面する。
実運用の研究室では、シフトをまたいで反復手順を実施することがある。複数ベンダーの機器を組み合わせ、リモートアクセスを許可し、自動化に関する専門性が異なる技術者に依存する場合もある。
こうした研究室では保守状態も扱う。機器は再校正されたり、一時的にバイパスされたり、安全な動作範囲を変える交換部品とともに運用されたりする可能性がある。
PACMANは、こうした状況への自動的な答えを提供しない。その貢献は、チームが自らの答えを符号化し、強制できる構造を提供する点にある。
限定的な証拠から、結論を過大に膨らませるべきではない。PACMANは、汎用AIエージェントが任意の研究室作業を安全に計画・実行できることを示してはいない。
また、従来型の非常停止装置、ガード、インターロック、封じ込め対策の必要性をなくしたわけでもない。これらの保護は、ソフトウェアからの要求にかかわらず有効であり続けなければならない。
Lab Managerの分析は、PACMANを汎用的な機器コントローラーではなく、より広い自動化を比較検討する際の基準点として適切に扱っている。
この位置付けは企業の購買担当者にとって有用だ。問うべきなのは、明日にもリキッドハンドラーや分析機器の横にPACMANを導入できるかどうかではない。
問うべきなのは、選定する自動化プラットフォームが同じ権限分離を維持しているかどうかだ。購買者は、モデル出力がどこで命令に変わるのか、そして何がそれを止められるのかを確認すべきである。
さらに、新しいモデルを独立して検証できるかも問うべきだ。モデル更新のたびに完全な再認証を必要とするシステムでは、実験の速度が落ちる。
反対の極端も同様に危険である。インターフェース、タイミング、故障時の挙動を再確認せずにモデルを入れ替えれば、モジュール性が守ろうとした保護を損なう可能性がある。
したがって研究室の責任者にとって、移植性は工学面とガバナンス面の両方に関わる主張である。各施設の機器、危険性、運用手順に照らして実証されなければならない。
PACMANは最初の環境における証拠を提供した。ほかの研究室は、なお自らの証拠を示す必要がある。
AIハードウェアの安全制限にはソフトウェア検査以上のものが必要
独立した出力レイヤーがリスクを低減できるのは、そのルール、入力、故障モードが独立して検証される場合に限られる。
「ハードウェアの安全制限」という表現は絶対的に聞こえるが、実装は依然としてソフトウェアと物理コンポーネントの連鎖から成る。すべてのリンクに前提が入り込む。
最大加熱コマンドは正しく符号化されているかもしれない。しかし、そのルールはなお、正確な機器状態の把握と、正常に動作するアクチュエーターインターフェースに依存している。
安全制限同士が相互作用することもある。ある閾値を下回る命令でも、別の命令と組み合わさったり、長時間維持されたりするとリスクを生む可能性がある。
チームには、個々の上限・下限だけでなく、こうした相互作用をカバーするテストが必要だ。また、システムの応答を観察するために意図的に故障を導入する、フォールトインジェクションも必要になる。
センサー検証には特に注意を払うべきだ。PACMANはモデルが入力値を消費する前にエラーを確認するが、どの検証手法もすべての誤読を捉えられるわけではない。
もっともらしいが誤った信号は、単純な範囲チェックを通過し得る。冗長な測定、一貫性テスト、物理モデルによって検出能力を高められる。
タイミングについても同様の精査が必要だ。リアルタイム制御では、既知の期限内に命令が到達することが求められる。遅延した命令は、以前の状態には有効でも、現在の状態には危険となり得る。
そのため、期限を逃した後の挙動を定義しておく必要がある。考えられる応答には、最後に安全だった設定を保持する、安全状態へ移行する、別のシステムへ制御を引き渡すといったものがある。
競合解決も、テストできる程度に決定論的でなければならない。2つのコントローラーが1つのアクチュエーターを奪い合う場合、研究者は競合が起きる前に、どの目標が優先されるかを知っているべきだ。
この優先順位構造はポリシーである。実行順序、ネットワークタイミング、モデルの信頼度スコアから偶発的に生じるべきではない。
サイバーセキュリティは別の境界を加える。モデルが制限を上書きできなくても、攻撃者が制限を変更したり出力段階を迂回したりできるなら、保護としての効果は限定的だ。
権限は、モデル開発者、機器エンジニア、安全担当者、オペレーターを区別すべきである。重要なルール変更では、レビュー可能な記録を作成しなければならない。
バージョン管理も同様に重要だ。各実験では、実行時に使用したモデルバージョン、コントローラー設定、安全ルールセット、機器状態を記録すべきである。
ここで研究室の自動化はナレッジマネジメントと交わる。チームには、実験の意図、ソフトウェア設定、観測データ、その後の分析を持続的に結び付ける仕組みが必要だ。
検索可能な技術ナレッジベースは、エンジニアがこうした関係を追跡する助けになる。ただし、正式な制御システムログや安全性検証の代わりにはならない。
人間による監督も具体的でなければならない。人が「ループ内にいる」と言うだけでは、その人が実際に持つ権限や利用可能な応答時間についてほとんど分からない。
PACMANは、実験前および実験間において、人間に意味のある制御権限を与える。研究者は目標を設定し、パラメーターを定め、結果をレビューし、後続の実行を調整する。
最も高速な制御サイクルの間、アーキテクチャは事前承認済みの制約に依存する。これは継続的な人間承認というより、監督制御に近い。
この配置は、研究室管理に明確な責任を生じさせる。人々は、実験開始前にどの選択を安全に自動化できるかを決めなければならない。
また、自動化を停止する条件も定義する必要がある。例としては、センサーデータの欠落、予期しない機器状態、繰り返される命令拒否、通信障害などが挙げられる。
システムの安全停止能力は、性能最適化能力と同じだけ検証に値する。目標に効率よく到達しても、予測不能な形で失敗するコントローラーは、物理環境への導入には適さない。
PACMANの公表結果は、完全な保証ではなく、運用の成功を示している。このプロジェクトは、そのパターンが失敗し得ないことの証明ではなく、アーキテクチャパターンの根拠として評価されるべきだ。
この区別は、成果を弱めるのではなく強める。有用な安全工学は、明示的な制限と検証可能な権限境界から始まる。
PACMANが共有インフラになるかを示す3つのシグナル
次の段階は、施設横断での導入、より長期の運用証拠、そしてモジュール式の更新が安全挙動を維持するという証明にかかっている。
第一のシグナルは、別のトカマクでの導入である。PACMANの開発者らは、構成要素を組み合わせる設計がDIII-Dの外でも機能し得ると主張するが、別施設での運用はその主張を直接検証する。
導入を成功と呼ぶには、単にソフトウェアを動かすだけでは足りない。フレームワークは、タイミング保証を失うことなく、異なる診断装置、アクチュエーター、保護システムと接続する必要がある。
こうした実証は、PACMANが核融合研究のインフラであるという主張を強めるだろう。失敗や大規模な個別再構築が必要になれば、その柔軟性のどの程度がDIII-Dに依存しているかが明らかになる。
第二のシグナルは、DIII-Dでのより広範な運用証拠だ。5件の実験は複数の重要なタスクをカバーしているが、信頼性は変化する条件下での反復的な性能に依存する。
今後の報告では、フレームワークの実行頻度、安全レイヤーが変更する提案コマンドの数、利用中に現れる故障モードを明らかにすべきである。
拒否されたコマンドのデータは特に有益だろう。出力レイヤーが主に予防措置として機能しているのか、それとも不適切なモデル行動を定期的に防いでいるのかを示し得る。
研究者は、期限超過、不正な入力の検出、コントローラーの競合、安全状態への移行についても報告すべきだ。そうした詳細によって、安全性の主張を測定可能にできる。
第三のシグナルは更新プロセスである。PACMANが実用面で最も強く約束しているのは、研究者がシステムのほかの部分を乱すことなく、迅速にモデルを追加できる点にある。
その約束が信頼を得るには、チームが複数のモデル置換について独立した検証結果を文書化する必要がある。各変更後も安全性に関する挙動が安定していることを示すべきだ。
明確なアップグレード手順は、核融合以外でも重要になる。研究所には、認証済みまたは検証済みのすべてのコンポーネントを再度開き直すことなく、より優れたモデルを導入する手段が必要だ。
一方で、タイミング、データ形式、アクチュエータの挙動を変えるモデル交換は、隠れた結合関係を露呈させる可能性がある。そうした結合は、このフレームワークのモジュール性に関する主張を弱めることになる。
研究者は、このアーキテクチャが競合する目的を追求するモデルをどのように扱うのかも明確にすべきだ。加熱、安定性、密度、性能を調整する作業は、ループに参加するコントローラーが増えるほど難しくなる。
先行する核融合AI研究は、有用なベンチマークとなる。2024年には、プリンストン大学主導のチームが、ティアリング不安定性を最大300ミリ秒前に予測した。
その研究は、特定の不安定性を予測し回避することに焦点を当てていた。PACMANは、単一の成功したコントローラーから、複数のコントローラーのための共有環境へと議論を広げている。
この違いは、プラットフォームが新たなモデルを取り込み続ける場合に重要となる。チームがそのインターフェース、ルール、検証手法を再利用できて初めて、デモの集まりはインフラストラクチャになる。
研究所の導入担当者は、PACMANの結果を一般化する前に、こうした兆候を注視すべきだ。また、その中心的な問いを、今すぐ自らの自動化プロジェクトにも適用すべきである。
AIの推奨は、どの時点で物理的なコマンドになるのか。そのコマンドを拒否できるコンポーネントはどれで、拒否に用いる制限値を誰が管理するのか。
これらの答えが曖昧なままであれば、より高性能なモデルを追加することで不確実性は増す。境界が明示的でテスト可能であれば、より高速な自動化を統治しやすくなる。
PACMAN AIフレームワークは、モデルの知能と機械の権限を別々の性質として扱うため、信頼できる設計の方向性を示している。この分離は、より多くの施設、タスク、障害にわたって検証する価値がある。
AIによる研究所自動化を評価するチームにとって、直ちに取るべき行動は明確だ。モデル出力から物理的な動作に至るすべての経路をマッピングする。そのうえで、レビュー済みで独立した制御レイヤーが、ハードウェアが動作する前に各経路を中断できることを確認する。
