تخيل عالماً يمكننا فيه تسخير نفس الطاقة التي تغذي النجوم، وهي عملية تُعرف باسم الاندماج النووي. ولتحقيق ذلك، يبني العلماء آلات ضخمة على شكل حلقة مفرغة تُسمى "توكاماك". داخل هذه الآلات، يتم ضغط غاز فائق السخونة، أو ما يُعرف بالبلازما، بواسطة مجالات مغناطيسية قوية حتى يندمج معاً، مما يطلق كميات هائلة من الطاقة. إن التحدي يكمون في أن هذه البلازما فوضوية وغير مستقرة للغاية. وللحفاظ على احتواء هذه البلازما وسلامتها، يعتمد الباحثون على مجموعة واسعة من المستشعرات التي تعمل بمثابة الجهاز العصبي للآلة. تقيس هذه المستشعرات باستمرار كل شيء، بدءاً من درجة حرارة وضغط الغاز وصولاً إلى قوة المجالات المغناطيسية التي تمسك بكل ذلك معاً. ولعقود من الزمن، استخدم العلماء هذه البيانات للتنبؤ بمتى قد تصبح البلازما غير مستقرة وللتحكم في الآلة في الوقت الفعلي. ومع ذلك، مع تحول الهدف نحو بناء محطة طاقة ذاتية الاستدامة حقاً، أصبح حجم وتنوع هذه البيانات هائلاً، مما خلق نوعاً جديداً من الألغاز التي تكافح البرامج الحاسوبية التقليدية لحلها.

لقد ألقى فريق من الباحثين في جامعة برينستون نظرة جديدة على مشكلة البيانات هذه، مع التركيز على كيفية تنظيمها من أجل الجيل القادم من الذكاء الاصطناعي. إنهم يستكشفون استخدام "النماذج التأسيسية" (foundation models)، وهي نوع من البرامج الحاسوبية المتقدمة التي تتعلم الأنماط العامة من كميات هائلة من المعلومات، تماماً كما تتعلم النماذج اللغوية الكبيرة فهم الكلام البشري. وبينما أحدثت هذه النماذج ثورة في مجالات مثل اللغة والتعرف على الصور، فإن تطبيقها على الاندماج النووي أمر صعب لأن البيانات ليست متجانسة. في تجربة اندماج نموذجية، تولد الآلة مزيجاً فوضوياً من المعلومات: فبعض المستشعرات تأخذ قياسات بسيطة وبطيئة لقيمة واحدة، بينما يلتقط البعض الآخر لقطات معقدة وعالية السرعة للموجات والأنماط. وقد وجد الباحثون أن محاولة تغذية نموذج حاسوبي بهذه البيانات المختلطة والفوضوية مباشرة تشبه محاولة صب دلو من الرمل، وكأس من الماء، وحفنة من الصخور في قمع واحد في آن واحد؛ فالمواد المختلفة ببساطة لا تتدفق معاً بشكل جيد.

ولفهم نطاق التحدي، حلل الفريق البيانات من جهاز "DIII-D توكاماك"، وهو مرفق بحثي رئيسي للاندماج. قاموا بفهرسة ثلاثة وعشرين نوعاً مختلفاً من القياسات، تتراوح من قراءات التيار البسيطة إلى الصور المعقدة والأنماط الشبيهة بالأصوات الموجية. واكتشفوا أن البيانات تتباين بشكل كبير في سرعتها. فبعض المستشعرات تسجل المعلومات بضع مرات فقط في الثانية، بينما يلتقط البعض الآخر آلاف اللقطات في الثانية الواحدة. ويمتد هذا الاختلاف عبر خمس مراتب عشرية، مما يعني أن المستشعرات الأسرع أسرع بنحو مائة ألف مرة من المستشعرات الأبطأ. علاوة على ذلك، تأتي البيانات بأشكال مختلفة؛ فبعض القياسات هي مجرد خط واحد من الأرقام يتغير بمرور الوقت، والبعض الآخر عبارة عن شبكات ثنائية الأبعاد تبدو كخرائط حرارية، وبعضها عبارة عن كتل ثلاثية الأبعاد من البيانات تُظهر كيفية حركة الموجات عبر البلازما. وإذا حاول نموذج حاسوبي التعلم من كل هذه البيانات في وقت واحد، فإنه يخاطر بالارتباك بسبب الحجم الهائل للبيانات سريعة الحركة، مما قد يؤدي إلى تجاهل الإشارات الأبطأ، ولكنها لا تقل أهمية، والتي تروي قصة الحالة العامة للآلة.

وجد الباحثون أيضاً أن الفيزياء داخل الآلة تتغير باستمرار وبشكل غير متوقع. فالبلازما لا تسلك سلوكاً ثابتاً يمكن التنبؤ به؛ بل تتغير خصائصها خلال أجزاء ضئيلة من الثانية بسبب الاضطرابات، بينما يتطور الشكل العام للبلازما على فترات زمنية أطول بكثير. وهذا يعني أن الطرق القياسية لتنظيف وتجهيز البيانات، والتي تفترض غالباً وجود خلفية ثابتة، تفشل في التقاط الطبيعة الحقيقية للنظام. أدرك الفريق أنه لبناء نموذج تأسيسي ناجح، لا يمكنهم ببساطة إلقاء جميع البيانات في كومة واحدة. بدلاً من ذلك، يجب عليهم تحديد كيفية تقسيم البيانات زمنياً بعناية. فإذا نظروا إلى نافذة زمنية قصيرة جداً، يمكنهم رؤية الموجات السريعة والفوضوية بوضوح، لكنهم سيفتقدون الصورة الكبيرة لكيفية تطور الآلة. وإذا نظروا إلى نافذة زمنية أطول، فسيشاهدون التغيرات البطيئة ولكنهم سيفقدون تفاصيل التقلبات السريعة.

ومن خلال تحليلهم، اقترح الفريق استراتيجية محددة لتنظيم هذه البيانات لجعلها قابلة للاستخدام لتدريب هذه النماذج المتقدمة. فقد اقترحوا أن النافذة الزمنية التي تبلغ حوالي مائة مللي ثانية تعمل كتوازن عملي. هذه المدة طويلة بما يكفي لالتقاط الحركات البطيئة والثابتة للبلازما، ولكنها قصيرة بما يكفي لرؤية الموجات السريعة والمهمة أيضاً. كما أوصوا بطريقة للتعامل مع السرعات المختلفة للمستشعرات. فبدلاً من إجبار جميع البيانات على العمل بنفس السرعة، وهو ما قد يؤدي إما إلى فقدان التفاصيل الهامة عالية السرعة أو خلق قدر هائل من البيانات منخفضة السرعة، اقترحوا نهج معالجة مرن. فاعتماداً على بنية النموذج المستخدمة، اقترحوا إما الحوسبة المسبقة للتمثيلات المعقدة مثل المخططات الطيفية (spectrograms) من الموجات الخام لتقليل حجم البيانات، أو معالجة البيانات فورياً من خلال استخراج النوافذ الزمنية وتطبيق المعايرة والتعزيز أثناء تدريب النموذج. يسم يسمح هذا النهج للحاسوب بالتعلم من المستشعرات السريعة والمستشعرات البطيئة في وقت واحد دون إجبارها على قالب واحد اصطناعي.

تخلص الدراسة إلى أنه بينما يظل الطريق نحو مستقبل مدعوم بالاندماج النووي معقداً، فإن البيانات اللازمة للوصول إلى ذلك أصبحت أكثر سهولة في الوصول إليها إذا تم تنظيمها بشكل صحيح. لم يقم الباحثون ببناء محطة طاقة نووية عاملة في هذه الدراسة، ولم يقوموا بتدريب نموذج نهائي ومثالي. بدلاً من ذلك، قدموا مخططاً توجيهياً حاسماً. لقد رسموا خريطة لمشهد البيانات، وحددوا العقبات المحددة التي منعت العلماء من استخدام الذكاء الاصطنا_الواسع النطاق في هذا المجال، وقدموا مجموعة واضحة من الإرشادات حول كيفية المضي قدماً. ويشير عملهم إلى أنه من خلال احترام الطبيعة الفريدة للبيانات — بسرعاتها وأشكالها وسلوكياتها المختلفة — يمكن للعلماء أخيراً البدء في تدريب الأنظمة الحاسوبية القوية اللازمة لإتقان الفيزياء الفوضوية للاندماج النووي. هذا التنظيم هو الخطوة الأولى الضرورية نحو مستقبل يمكن فيه للآلات أن تتعلم كيفية التحكم في النجوم على الأرض.