🔬 physics

TGLF-WINN: Data-Efficient Deep Learning Surrogate for Turbulent Transport Modeling in Fusion

यह शोध पत्र TGLF-WINN को प्रस्तुत करता है, जो फ्यूजन में टर्बुलेंट ट्रांसपोर्ट मॉडलिंग के लिए एक डेटा-कुशल डीप लर्निंग सरोगेट है, जो उच्च सटीकता प्राप्त करने के लिए भौतिकी-निर्देशित फीचर इंजीनियरिंग, वेवनंबर-रिजॉल्व्ड रेगुलराइजेशन और बेयसियन एक्टिव लर्निंग को जोड़ता है, जिससे प्रशिक्षण डेटा की आवश्यकताओं में काफी कमी आती है और पारंपरिक TGLF मॉडल की तुलना में 45 गुना अधिक गति प्राप्त होती है।

मूल लेखक: Yadi Cao, Futian Zhang, Wesley Liu, Tom Neiser, Orso Meneghini, Lawson Fuller, Sterling Smith, Raffi Nazikian, Brian Sammuli, Rose Yu

प्रकाशित 2026-04-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yadi Cao, Futian Zhang, Wesley Liu, Tom Neiser, Orso Meneghini, Lawson Fuller, Sterling Smith, Raffi Nazikian, Brian Sammuli, Rose Yu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक आदर्श केक बनाने की कोशिश कर रहे हैं, लेकिन आपके पास जो रेसिपी है वह अविश्वसनीय रूप से जटिल है। इसके लिए आपको केक की हर मिलीमीटर ऊंचाई पर प्रत्येक सामग्री की सटीक रासायनिक प्रतिक्रिया की गणना करने की आवश्यकता है, साथ ही बाहर की आर्द्रता (humidity), आपके किचन की ऊंचाई और आपने किस ब्रांड का आटा इस्तेमाल किया है, इसका भी ध्यान रखना होगा।

परमाणु संलयन (nuclear fusion - सूर्य की तरह ऊर्जा बनाना) की दुनिया में, वैज्ञानिक इसी तरह की समस्या का सामना करते हैं। उन्हें यह सिम्युलेट (simulate) करने की आवश्यकता होती है कि एक फ्यूजन रिएक्टर (जिसे टोकामक कहा जाता है) के भीतर "अशांत" (turbulent) प्लाज्मा कितना है। यह विक्षोभ (turbulence) ही यह निर्धारित करता है कि रिएक्टर काम करेगा या विफल हो जाएगा।

इस सिमुलेशन के लिए वर्तमान "गोल्ड स्टैंडर्ड" रेसिपी को TGLF कहा जाता है। यह सटीक है, लेकिन धीमा है। पूरे रिएक्टर के लिए एक सिमुलेशन चलाने में सुपरकंप्यूटर पर घंटों या दिनों का समय लग सकता है। यदि आप एक रिएक्टर डिजाइन करना चाहते हैं, तो आपको सही सेटिंग्स खोजने के लिए इस सिमुलेशन को हजारों बार चलाना होगा। ऐसा करने में ब्रह्मांड के जीवनकाल से भी अधिक समय लग जाएगा।

यहाँ पेश है TGLF-WINN—जो इस जटिल भौतिकी समस्या के लिए एक "स्मार्ट शॉर्टकट" या "चीट कोड" है। उन्होंने इसे कैसे किया, यहाँ सरल भाषा में समझाया गया है:

1. समस्या: एक "महंगी" रेसिपी

मूल TGLF सिमुलेशन को एक मास्टर शेफ के रूप में सोचें जो सूप चखता है, नमक को एडजस्ट करता है, फिर से चखता है, और परोसने से पहले इस प्रक्रिया को 1,000 बार दोहराता है। यह एकदम सटीक है, लेकिन इसमें बहुत समय लगता है।
वैज्ञानिकों ने एक "न्यूरल नेटवर्क" (एक प्रकार का AI) बनाने की कोशिश की ताकि वह एक 'सू-शेफ' (sous-chef) की तरह तुरंत परिणाम की भविष्यवाणी कर सके। हालाँकि, इस AI को सिखाने के लिए, उन्हें सूप की रेसिपी की एक विशाल लाइब्रेरी (डेटा) की आवश्यकता थी। उस डेटा को इकट्ठा करना इतना महंगा और धीमा था कि AI अक्सर अधूरी या "शोर भरी" (noisy) जानकारी पर प्रशिक्षित होता था, जिससे वह अविश्वसनीय हो जाता था।

2. समाधान: TGLF-WINN (एक स्मार्ट सू-शेफ)

लेखकों ने एक नया AI बनाया जिसे TGLF-WINN कहा जाता है। केवल सूप की रेसिपी को याद करने के बजाय, उन्होंने AI को तेजी से और बेहतर तरीके से सीखने के लिए तीन विशिष्ट तरकीबें सिखाईं:

तरकीब #1: "नंबरों को दबाना" (Feature Tuning)

उपमा: कल्पना कीजिए कि आप एक बच्चे को गिनती सिखाने की कोशिश कर रहे हैं। यदि आप उनसे 1 से 1,000,000 तक गिनने के लिए कहते हैं, तो वे बड़े उछालों के कारण भ्रमित हो सकते हैं। लेकिन यदि आप उन्हें एक लॉगरिदमिक स्केल (1, 10, 100, 1,000) पर गिनने के लिए कहते हैं, तो कदम अधिक प्रबंधनीय लगते हैं।
विज्ञान: फ्यूजन के डेटा में ऐसे नंबर होते हैं जो बहुत अधिक भिन्न होते हैं (कुछ बहुत छोटे, कुछ बहुत बड़े)। लेखकों ने इन विशाल नंबरों को एक अधिक प्रबंधनीय रेंज में "दबाने" (squash) के लिए एक गणितीय ट्रिक (जिसे इनवर्स हाइपरबोलिक साइन कहा जाता है) का उपयोग किया। इसने सीखने के कार्य को बहुत आसान बना दिया, जिससे AI संख्याओं के आकार से अभिभूत होने के बजाय पैटर्न पर ध्यान केंद्रित कर सका।

तरकीब #2: "वेव डिटेक्टिव" (Wavenumber Regularization)

उपमा: एक सिम्फनी ऑर्केस्ट्रा की कल्पना करें। यदि आप केवल पूरे बैंड को सुनते हैं, तो यह बताना मुश्किल है कि वायलिन सही नोट बजा रहा है या नहीं। लेकिन यदि आप AI को कहते हैं, "हे, मैं चाहता हूँ कि तुम वायलिन के हिस्से, ड्रम के हिस्से और बांसुरी के हिस्से को अलग-अलग सीखने के बाद ही उन्हें मिलाओ," तो AI संगीत को बहुत बेहतर तरीके से सीखता है।
विज्ञान: फ्यूजन में विक्षोभ (turbulence) विभिन्न "लहरों" (waves) से बना होता है (जैसे तालाब में लहरें)। मूल AI एक ही बार में अंतिम परिणाम का अनुमान लगाने की कोशिश करता है। TGLF-WINN AI को प्रत्येक विशिष्ट लहर के योगदान की व्यक्तिगत रूप से भविष्यवाणी करने और फिर उन्हें जोड़ने के लिए मजबूर करता है। यह एक "फिजिक्स चेक" के रूप में कार्य करता है। यदि AI ऐसी लहर की भविष्यवाणी करता है जो भौतिक रूप से समझ में नहीं आती, तो सिस्टम उसे ठीक कर देता है। यह AI को बहुत अधिक मजबूत बनाता है, भले ही उसने बहुत कम उदाहरण देखे हों।

तरखी #3: "स्मार्ट क्विज़" (Bayesian Active Learning)

उपमा: कल्पना कीजिए कि आप एक परीक्षा के लिए पढ़ाई कर रहे हैं। एक बुरा छात्र पूरी किताब को शुरू से अंत तक पढ़ता है। एक स्मार्ट छात्र अभ्यास प्रश्नों को देखता है, देखता है कि वे किन विषयों में गलत हैं, और केवल उन विशिष्ट विषयों का अध्ययन करता है जब तक कि वे उनमें महारत हासिल न कर लें।
विज्ञान: आमतौर पर, AI को प्रशिक्षित करने के लिए आपको लाखों डेटा पॉइंट्स की आवश्यकता होती है। TGLF-WINN एक "स्मार्ट क्विज़" प्रणाली का उपयोग करता है। यह अपने पास मौजूद डेटा को देखता है, यह पता लगाता है कि वह किन विशिष्ट परिदृश्यों (scenarios) में सबसे खराब भविष्यवाणी करता है, और सुपरकंप्यूटर से केवल उन्हीं विशिष्ट कठिन परिदृश्यों के लिए सिमुलेशन चलाने के लिए कहता है। केवल "कठिन सवालों" पर ध्यान केंद्रित करके, यह पुराने तरीके जितना ही अच्छा सीखता है, लेकिन केवल 25% डेटा का उपयोग करके।

3. परिणाम: तेज़, सस्ता और सटीक

परिणाम प्रभावशाली हैं:

गति: नया AI मूल भौतिकी सिमुलेशन की तुलना में 45 गुना तेज़ है। यह सेकंडों में वह काम कर सकता है जिसमें मिनट या घंटे लगते थे।
डेटा दक्षता: यह पुराने तरीके के समान उच्च सटीकता प्राप्त करता है लेकिन इसे केवल एक-चौथाई प्रशिक्षण डेटा की आवश्यकता होती है।
मजबूती (Robustness): यहाँ तक कि जब डेटा "गंदा" या अधूरा होता है (जो वास्तविक दुनिया के विज्ञान में अक्सर होता है), तब भी TGLF-WINN क्रैश नहीं होता या अजीब जवाब नहीं देता। यह स्थिर रहता है।

बड़ी तस्वीर

TGLF-WINN को एक मैनुअल ट्रांसमिशन कार से अपग्रेड करने के रूप में सोचें जिसे चलाने के लिए पीएचडी की आवश्यकता होती है, से एक सेल्फ-ड्राइविंग इलेक्ट्रिक कार तक, जो आधे समय में और आधे ईंधन का उपयोग करके आपको उसी गंतव्य तक पहुँचाती है।

यह सफलता का अर्थ है कि वैज्ञानिक अब बेहतर फ्यूजन रिएक्टरों को डिजाइन करने के लिए हजारों सिमुलेशन बहुत तेज़ी से चला सकते हैं। यह हमें उस दिन के और करीब लाता है जब हम दुनिया को स्वच्छ, असीमित ऊर्जा प्रदान करने के लिए सूर्य की शक्ति का उपयोग कर सकेंगे।

यहाँ शोध पत्र "TGLF-WINN: फ्यूजन में टर्बुलेंट ट्रांसपोर्ट मॉडलिंग के लिए डेटा-एफिशिएंट डीप लर्निंग सरोगेट" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फ्यूजन ऊर्जा अनुसंधान में, "होल-डिवाइस" सिमुलेशन टोकामक प्रदर्शन को अनुकूलित करने के लिए महत्वपूर्ण हैं। ये सिमुलेशन टर्बुलेंट ट्रांसपोर्ट (विक्षोभ परिवहन) के मॉडलिंग पर अत्यधिक निर्भर करते हैं, जो गणनात्मक रूप से बहुत महंगा है।

बाधा (The Bottleneck): हाई-फिडेलिटी गायरोकाइनेटिक सिमुलेशन सटीक हैं लेकिन प्रत्येक मूल्यांकन के लिए घंटों के सुपरकंप्यूटर समय की आवश्यकता होती है, जिससे वे पुनरावृत्ति वाले होल-डिवाइस मॉडलिंग के लिए अव्यावहारिक हो जाते हैं।
वर्तमान समाधान और सीमाएँ: ट्रैप्ड गायरो-लैंडौ फ्लूइड (TGLF) मॉडल एक अत्याधुनिक रिड्यूस्ड-ऑर्डर मॉडल (ROM) है जो मूल्यांकन समय को सेकंडों तक कम कर देता है। हालांकि, होल-डिवाइस सिमुलेशन को अभी भी प्रति टाइम स्टेप हजारों TGLF मूल्यांकनों की आवश्यकता होती है, जो गणनात्मक रूप से बोझिल बना रहता है।
ML गैप: न्यूरल नेटवर्क (NN) सरोगेट्स (जैसे, TGLF-NN) विकसित किए गए हैं जो TGLF को माइक्रोसेकंड तक तेज करने के लिए हैं। हालांकि, मौजूदा सरोगेट्स निम्नलिखित समस्याओं से ग्रस्त हैं:
1. डेटा की भूख (Data Hunger): उन्हें व्यापक पैरामीटर रेंज और फ्लक्स विविधताओं को पकड़ने के लिए विशाल डेटासेट (लाखों नमूने) की आवश्यकता होती है।
2. नाजुकता (Fragility): वे विरल (sparse) डेटा या शोर वाले डेटासेट (जो उच्च-फिडेलिटी मॉडल के लिए डेटा उत्पन्न करते समय सामान्य है) के साथ संघर्ष करते हैं।
3. प्रशिक्षण जटिलता (Training Complexity): मौजूदा विधियों में अक्सर जटिल एन्सेम्बल तकनीकें या गैर-मानक लॉस फंक्शन शामिल होते हैं जिन्हें प्रशिक्षित करना और स्केल करना कठिन होता है।

2. कार्यप्रणाली: TGLF-WINN

लेखक TGLF-WINN (वेवनंबर-इन्फॉर्म्ड न्यूरल नेटवर्क) का प्रस्ताव करते हैं, जो एक डेटा-एफिशिएंट सरोगेट है जिसे TGLF की सटीकता से मेल खाने के लिए डिज़ाइन किया गया है जबकि डेटा आवश्यकताओं को नाटकीय रूप से कम करता है। इसकी आर्किटेक्चर और प्रशिक्षण रणनीति तीन प्रमुख नवाचारों पर आधारित है:

A. आर्किटेक्चर: वेवनंबर-रिज़ॉल्व्ड डिकंपोजिशन (Wavenumber-Resolved Decomposition)

मानक सरोगेट्स के विपरीत जो सीधे कुल फ्लक्स की भविष्यवाणी करते हैं, TGLF-WINN TGLF की भौतिक संरचना का लाभ उठाता है, जो 24 अलग-अलग वेवनंबर्स ( $k_y$ ) के योगदान के योग के रूप में कुल फ्लक्स की गणना करता है।

संरचना: नेटवर्क 31 भौतिक इनपुट पैरामीटर लेता है और 24 समानांतर शाखाओं (branches) में विभाजित होता है।
साझा भार (Shared Weights): सभी शाखाएं एक ही एनकोडर-रेस्नेट-डिकोडर बैकबोन साझा करती हैं लेकिन विशिष्ट वेवनंबर ( $k_y$ ) को एक अतिरिक्त निरंतर इनपुट के रूप में प्राप्त करती हैं।
आउटपुट: प्रत्येक शाखा अपने विशिष्ट वेवनंबर के लिए फ्लक्स योगदान की भविष्यवाणी करती है। अंतिम आउटपुट इन 24 शाखाओं का योग है। यह एक "ब्लैक बॉक्स" कुल भविष्यवाणी के बजाय एक भौतिकी-निर्देशित अपघटन (decomposition) को लागू करता है।

B. तीन मुख्य नवाचार

सिद्धांत आधारित फीचर इंजीनियरिंग (Principled Feature Engineering):
- TGLF-NN में उपयोग किए जाने वाले जटिल बैच-वाइज नॉर्मलाइजेशन के बजाय, TGLF-WINN लक्षित फ्लक्स पर एक इनवर्स हाइपरबोलिक साइन ( $\sinh^{-1}$ ) ट्रांसफॉर्मेशन लागू करता है।
- यह फ्लक्स मैग्नीट्यूड के विस्तृत डायनेमिक रेंज को "कुचलता" (squash) है और संभावित नकारात्मक भविष्यवाणियों को स्वाभाविक रूप से संभालता है, जिससे लर्निंग टास्क सरल हो जाता है और ग्रेडिएंट स्थिरता में सुधार होता है।
फिजिक्स-गाइडेड वेवनंबर रेगुलराइजेशन (Physics-Guided Wavenumber Regularization):
- मॉडल एक दोहरे लॉस फंक्शन का उपयोग करता है:
  - सुपरवाइज्ड लॉस ( $L_f$ ): अनुमानित वेवनंबर योगदान के योग और वास्तविक लक्षित फ्लक्स के बीच त्रुटि को कम करता है।
  - रेगुलराइजेशन लॉस ( $L_s$ ): व्यक्तिगत शाखा भविष्यवाणियों और प्रशिक्षण डेटा में दिए गए वास्तविक प्रति-वेवनंबर फ्लक्स योगदान के बीच त्रुटि को कम करता है।
- प्रभाव: यह नेटवर्क को भौतिक रूप से सार्थक प्रति-मोड अपघटन सीखने के लिए मजबूर करता है, जो एक मजबूत बाधा के रूप में कार्य करता है और विशेष रूप से तब सामान्यीकरण (generalization) में सुधार करता है जब डेटा विरल होता है।
बायेसियन एक्टिव लर्निंग (BAL):
- डेटा की आवश्यकता को और कम करने के लिए, लेखक एक्सपेक्टेड इंफॉर्मेशन गेन (EIG) को एक एक्विजिशन फंक्शन के रूप में एकीकृत करते हैं।
- प्रक्रिया: एक छोटे डेटासेट के साथ शुरू होकर, मॉडल मोंटे कार्लो ड्रॉपआउट (Monte Carlo Dropout) के माध्यम से भविष्यवाणी अनिश्चितता के आधार पर सबसे सूचनात्मक अनलेबल नमूनों को लेबल करने के लिए बार-बार चुनता है।
- फिजिक्स प्रायर (Physics Priors): उम्मीदवार चयन रेडियस-आधारित प्रायर का उपयोग करता है, जो विभिन्न प्लाज्मा त्रिज्याओं पर इनपुट पैरामीटर्स के स्थानीय सांख्यिकीय गुणों से मेल खाने वाले गाऊसी वितरणों से उम्मीदवारों को चुनता है, जिससे वास्तविक भौतिक संयोजन सुनिश्चित होते हैं।

3. प्रमुख योगदान

TGLF-WINN आर्किटेक्चर: एक नवीन न्यूरल नेटवर्क जो वेवनंबर डिकंपोजिशन और शेयर्ड-वेट शाखाओं को शामिल करता है, जो TGLF-NN के समान सटीकता प्राप्त करता है।
विरलता के प्रति मजबूती (Robustness to Sparsity): यह प्रदर्शित किया गया कि फीचर ट्यूनिंग और वेवनंबर रेगुलराइजेशन के माध्यम से, मॉडल 1/9वें प्रशिक्षण डेटा (प्रमुख परटर्बेशन सेट के साथ) के साथ भी अपनी सटीकता बनाए रख सकता है, जहाँ TGLF-NN काफी विफल हो जाता है।
BAL के माध्यम से डेटा दक्षता: दिखाया गया कि TGLF-WINN, बायेसियन एक्टिव लर्निंग द्वारा निर्देशित होने पर, केवल 25% प्रशिक्षण डेटासेट का उपयोग करके TGLF-NN की पूर्ण-डेटा सटीकता से मेल खा सकता है।
डाउनस्ट्रीम वैलिडेशन: इसे सफलतापूर्वक एक फ्लक्स-मैचिंग वर्कफ़्लो (FUSE सुइट) में एकीकृत किया गया, जिसने संख्यात्मक TGLF सॉल्वर की तुलना में 45x की गति वृद्धि (speedup) प्रदर्शित की, जबकि पुनर्निर्माण सटीकता को बनाए रखा।

4. प्रयोगात्मक परिणाम

सटीकता (पूर्ण डेटा): पूर्ण डेटासेट पर, TGLF-WINN ने TGLF-NN (5.83 vs 6.66 $\times 10^{-2}$ ) की तुलना में RMSLE (रूट मीन स्क्वेर्ड लॉगरिदमिक एरर) में 12.5% सापेक्ष कमी हासिल की।
विरल/शोर वाले डेटा के प्रति मजबूती:
- एक विरल, अनफिल्टर्ड डेटासेट (लगभग 330k नमूने) पर प्रशिक्षित होने पर, TGLF-NN की त्रुटि ~30.6 $\times 10^{-2}$ बढ़ गई।
- TGLF-WINN की त्रुटि केवल ~3.9 $\times 10^{-2}$ बढ़ी, जो शोर और डेटा की कमी के खिलाफ एक परिमाण (order-of-magnitude) के सुधार को प्रदर्शित करती है।
एक्टिव लर्निंग प्रदर्शन: EIG-आधारित BAL का उपयोग करते हुए, TGLF-WINN ने केवल 25% डेटा का उपयोग करके पूर्ण-डेटा बेसलाइन सटीकता प्राप्त की।
फ्लक्स-मैचिंग वर्कफ़्लो:
- L-मोड और H-मोड परिदृश्यों में, TGLF-WINN क्रमशः 129 और 412 इटरेशन में अभिसरित (converge) हुआ।
- संख्यात्मक TGLF सॉल्वर फ्लक्स भविष्यवाणियों में संख्यात्मक शोर (दोलन) के कारण 1000 इटरेशन के बाद अभिसरण करने में विफल रहा।
- TGLF-WINN ने फ्लक्स-मैचिंग लूप में 45x की गति वृद्धि (20 सेकंड बनाम 15 मिनट) प्रदान की।

5. महत्व और भविष्य का प्रभाव

हाई-फिडेलिटी सरोगेट्स को सक्षम बनाना: प्राथमिक महत्व डेटा दक्षता का प्रदर्शन है। चूंकि उच्च-फिडेलिटी गायरोकाइनेटिक सिमुलेशन (जैसे CGYRO) के लिए डेटा उत्पन्न करना अत्यधिक महंगा है, इसलिए TGLF-WINN की छोटे, विरल डेटासेट से सीखने की क्षमता इसे इन महंगे मॉडलों के सरोगेट के रूप में एक व्यवहार्य विकल्प बनाती है।
फिजिक्स-इन्फॉर्म्ड ML: यह कार्य डेटा सीमाओं को दूर करने के लिए न्यूरल नेटवर्क में भौतिक संरचनाओं (वेवनंबर डिकंपोजिशन) और बाधाओं (रेगुलराइजेशन) को शामिल करने की शक्ति को उजागर करता है।
परिचालन उपयोगिता: FUSE वर्कफ़्लो में सफल एकीकरण यह सिद्ध करता है कि ये सरोगेट्स केवल सैद्धांतिक नहीं हैं, बल्कि वास्तविक दुनिया के फ्यूजन रिएक्टर डिजाइन और नियंत्रण अनुकूलन को गति दे सकते हैं।
भविष्य की दिशाएं: लेखक इस ढांचे को स्पष्ट मोड वर्गीकरण (मिश्रण-विशेषज्ञ/Mixture-of-Experts) में विस्तारित करने, PINNs के माध्यम से कठोर संरक्षण नियमों को शामिल करने, और प्रयोगात्मक सत्यापन के लिए प्रति-वेवनंबर आउटपुट का उपयोग करने का सुझाव देते हैं।

संक्षेप में, TGLF-WINN डीप लर्निंग को कठोर भौतिक बाधाओं के साथ जोड़कर, टर्बुलेंट ट्रांसपोर्ट का सटीक, तेज़ और डेटा-कुशल मॉडलिंग करके फ्यूजन सिमुलेशन को गणनात्मक रूप से सुलभ बनाने की दिशा में एक महत्वपूर्ण कदम है।