🔬 physics

Machine learning prediction of plasma behavior from discharge configurations on WEST

यह अध्ययन एक ट्रांसफार्मर-आधारित मशीन लर्निंग मॉडल प्रस्तुत करता है जिसे 550 WEST टोकामक डिस्चार्ज पर प्रशिक्षित किया गया है, जो डिस्चार्ज नियोजन और वास्तविक समय नियंत्रण के लिए भौतिकी-आधारित कोडों के एक गणनात्मक रूप से कुशल विकल्प के रूप में, प्री-डिस्चार्ज कॉन्फ़िगरेशन से प्रमुख वैश्विक प्लाज्मा मापदंडों की तेजी से और सटीक भविष्यवाणी करता है।

मूल लेखक: Chenguang Wan, Feda Almuhisen, Philippe Moreau, Remy Nouailletas, Zhisong Qu, Youngwoo Cho, Robin Varennes, Kyungtak Lim, Kunpeng Li, Jia Huang, Weidong Chen, Jiangang Li, Xavier Garbet

प्रकाशित 2026-02-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chenguang Wan, Feda Almuhisen, Philippe Moreau, Remy Nouailletas, Zhisong Qu, Youngwoo Cho, Robin Varennes, Kyungtak Lim, Kunpeng Li, Jia Huang, Weidong Chen, Jiangang Li, Xavier Garbet

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। फ्यूजन ऊर्जा की दुनिया में, "केक" प्लाज्मा का एक अत्यंत गर्म गोला है (पदार्थ की एक ऐसी अवस्था जो सूर्य जैसी है) जिसे टोकामक (tokamak) नामक एक विशाल चुंबकीय डोनट के अंदर रखा जाता है।

दशकों से, वैज्ञानिक यह अनुमान लगाने की कोशिश कर रहे हैं कि मशीन चालू करने से पहले प्लाज्मा कैसे व्यवहार करेगा। वे पहले भौतिकी-आधारित सिमुलेशन (physics-based simulations) पर निर्भर रहते थे। इसे ऐसे समझें जैसे कि चीनी के हर दाने और आटे के हर अणु के लिए जटिल गणितीय समीकरण हल करके केक बनाने की कोशिश करना। यह अविश्वसनीय रूप से सटीक है, लेकिन एक गणना को चलाने में घंटों (या यहाँ तक कि दिनों) का समय लगता है। जब तक आपको उत्तर मिलता है, तब तक ओवन ठंडा हो चुका होता है, और आप वास्तविक समय में रेसिपी को बदलने के लिए इसका उपयोग नहीं कर सकते।

यह शोध पत्र एक नए, तेज़ तरीके से "बेकिंग" करने का परिचय देता है: "AI शेफ (AI Chef)"।

समस्या: वास्तविक समय के लिए बहुत धीमा

WEST टोकामक (फ्रांस में एक उच्च-तकनीकी फ्यूजन प्रयोग) के शोधकर्ताओं को प्लाज्मा के व्यवहार की तुरंत भविष्यवाणी करने के तरीके की आवश्यकता थी। उन्हें जानना था: यदि मैं चुंबकीय कुंडलियों (magnetic coils) को इस स्थिति पर सेट करता हूँ और इतनी हीटिंग पावर चालू करता हूँ, तो क्या प्लाज्मा स्थिर रहेगा? क्या यह पर्याप्त ऊर्जा बनाए रखेगा?

पुराने भौतिकी मॉडल इसके लिए बहुत धीमे थे। वे एक रॉकेट लॉन्च होते समय स्लाइड रूल (slide rule) का उपयोग करके उसके उड़ान पथ की गणना करने जैसा था।

समाधान: एक मशीन लर्निंग "चीट शीट"

टीम ने एक मशीन लर्निंग मॉडल बनाया (विशेष रूप से एक "ट्रांसफॉर्मर", वही AI आर्किटेक्चर जो ChatGPT जैसे टूल्स को शक्ति देता है)। भौतिकी के समीकरणों को हर बार शून्य से हल करने के बजाय, इस AI ने WEST मशीन के 550 पिछले "बेकिंग सत्रों" (डिस्चार्ज) को देखकर सीखा।

इसे इस प्रकार समझें:

पुराना तरीका: वायुमंडल में हवा के हर अणु का सिमुलेशन करके मौसम की गणना करना।
नया तरीका: पिछले मौसम के पैटर्न के एक विशाल डेटाबेस को देखना और कहना, "हे, जब उत्तर से हवा चलती है और नमी अधिक होती है, तो आमतौर पर बारिश होती है। मुझे लगता है कि आज बारिश होगी।"

AI शेफ कैसे काम करता है

यह मॉडल 19 "सामग्रियों" (इनपुट) को लेता है जो प्रयोग शुरू होने से पहले तय की जाती हैं:

कितनी चुंबकीय शक्ति का उपयोग करना है (जैसे ओवन का तापमान सेट करना)।
कितनी हीटिंग पावर लगानी है (जैसे चूल्हा चालू करना)।
कितना ईंधन (प्लाज्मा घनत्व) इंजेक्ट करना है।

फिर यह 6 प्रमुख परिणामों (केक का "स्वाद") की भविष्यवाणी करता है:

स्थिरता (Stability): क्या प्लाज्मा एकजुट रहेगा या फट जाएगा?
दक्षता (Efficiency): इसके अंदर कितनी ऊर्जा संचित है?
सुरक्षा (Safety): क्या हम सीमाओं को बहुत अधिक धकेल रहे हैं?

परिणाम: तेज़ और सटीक

परिणाम प्रभावशाली हैं:

गति: AI 0.1 सेकंड में भविष्यवाणी करता है। यह पलक झपकने से भी तेज़ है। पुराने भौतिकी मॉडलों में मिनट या घंटे लगते थे।
सटीकता: इसने लगभग 94% बार सही भविष्यवाणी की (0.94 का स्कोर)।
विश्वसनीयता: यह इतना अच्छा काम करता है कि वैज्ञानिक अब एक नए प्रयोग के लिए एकदम सही सेटिंग्स खोजने के लिए तुरंत हजारों "क्या-अगर" (what-if) परिदृश्यों का परीक्षण कर सकते हैं।

रेसिपी में "ग्लिच" (खामी)

शोध पत्र स्वीकार करता है कि AI दो विशिष्ट चीजों की भविष्यवाणी करने में पूर्ण नहीं है: प्लाज्मा के बिल्कुल केंद्र और बिल्कुल किनारे (जिसे $q_0$ और $q_{95}$ कहा जाता है) में चुंबकीय क्षेत्र का सटीक आकार।

क्यों? कल्पना कीजिए कि आप केवल सामग्री की सूची देखकर केक के केंद्र की सटीक बनावट का अनुमान लगाने की कोशिश कर रहे हैं। आप आटा और अंडे तो जानते हैं, लेकिन आप यह नहीं जानते कि वे बैटर के अंदर वास्तव में कैसे मिले। इसी तरह, AI इनपुट को जानता है, लेकिन वह प्लाज्मा के अदृश्य आंतरिक करंट को "देख" नहीं सकता। इस कारण से, यह इन विशिष्ट संख्याओं पर कभी-कभी थोड़ा कम अनुमान लगाता है।

यह क्यों मायने रखता है

यह केवल एक मजेदार ट्रिक नहीं है; यह स्वच्छ ऊर्जा के भविष्य के लिए एक गेम-चेंजर है।

परिदृश्य योजना (Scenario Planning): वैज्ञानिक अब एक परीक्षण करने में लगने वाले समय में हजारों अलग-अलग सेटिंग्स का परीक्षण कर सकते हैं।
वास्तविक समय नियंत्रण (Real-Time Control): भविष्य में, यह AI फ्यूजन रिएक्टर के लिए एक ऑटोपायलट की तरह कार्य कर सकता है, जो प्लाज्मा को स्थिर रखने के लिए तुरंत नियंत्रणों (knobs) को समायोजित करेगा, जिससे उसे क्रैश होने से रोका जा सके।

संक्षेप में: शोधकर्ताओं ने एक सुपर-फास्ट "प्लाज्मा ओरेकल" बनाया है। क्या होगा इसका अनुमान लगाने के लिए भारी गणित करने के बजाय, AI देखता है कि पहले क्या हुआ था और हमें बताता है कि हमें वास्तव में क्या उम्मीद करनी चाहिए, जिससे हमें पृथ्वी पर एक तारा बनाने के करीब पहुँचने में मदद मिलती है जो असीमित स्वच्छ ऊर्जा प्रदान करता है।

1. समस्या विवरण (Problem Statement)

डिस्चार्ज कॉन्फ़िगरेशन के आधार पर प्लाज्मा व्यवहार का सटीक पूर्वानुमान लगाना टोकामाक प्रयोगों के सुरक्षित और कुशल संचालन के लिए महत्वपूर्ण है।

भौतिकी-आधारित मॉडलों की सीमाएँ: पारंपरिक "इंटीग्रेटेड मॉडलिंग" कोड (जैसे TRANSP, CRONOS, RAPTOR) प्रथम-सिद्धांतों (first-principles) की भौतिकी पर निर्भर करते हैं, लेकिन वे उच्च कम्प्यूटेशनल लागत से ग्रस्त हैं, जो उन्हें तेज़ परिदृश्य डिज़ाइन (scenario design), वास्तविक समय नियंत्रण अनुकूलन (real-time control optimization), या तीव्र पैरामीटर स्वीप के लिए अनुपयुक्त बनाता है। वे अनुभवजन्य गुणांकों (empirical coefficients) और कम भौतिकी वाले मॉडलों पर भी निर्भर करते हैं जिनमें शॉट-दर-शॉट सटीकता की कमी हो सकती है।
मौजूदा डेटा-संचालित मॉडलों की सीमाएँ: पिछले मशीन लर्निंग दृष्टिकोण अक्सर उन संकेतों पर निर्भर करते हैं जो डिस्चार्ज के दौरान विकसित होते हैं (जैसे गैस पफिंग डेटा, वास्तविक समय प्लाज्मा अवस्था), जो केवल प्रारंभिक डिस्चार्ज शेड्यूल के आधार पर परिणामों की भविष्यवाणी करने की उनकी क्षमता को सीमित करता है। इसके अलावा, कई मौजूदा मॉडल विभिन्न परिचालन व्यवस्थाओं (operational regimes) में सामान्यीकरण (generalize) करने में संघर्ष करते हैं।

लक्ष्य: एक तेज़, डेटा-संचालित सरोगेट मॉडल विकसित करना जो केवल डिस्चार्ज शुरू होने से पहले निर्धारित संकेतों (डिस्चार्ज कंट्रोल सिस्टम से इनपुट) का उपयोग करके प्रमुख वैश्विक प्लाज्मा मापदंडों की भविष्यवाणी कर सके, जिससे तीव्र परिदृश्य मूल्यांकन और योजना सक्षम हो सके।

2. कार्यप्रणाली (Methodology)

डेटासेट (Dataset)

स्रोत: WEST टोकामाक (अभियान #57381 से #60286) से 550 स्थिर, पुनरुत्पादक डिस्चार्ज।
प्रीप्रोसेसिंग (Preprocessing):
- संकेतों को 1 kHz पर रीसैंपल किया गया।
- 2 सेकंड से कम अवधि के डिस्चार्ज (रैंप-अप चरण) को बाहर कर दिया गया।
- शोर (noise) को दबाने के लिए एक सिंपल मूविंग एवरेज (SMA) फ़िल्टर (विंडो आकार 11) लागू किया गया ताकि बिना किसी टेम्पोरल लैग के शोर को कम किया जा सके।
- डेटा को स्लाइडिंग विंडो (लंबाई 1024, स्टेप 512) का उपयोग करके सेगमेंट किया गया ताकि डेटासेट को संवर्धित (augment) किया जा सके, जिसके परिणामस्वरूप लगभग 24,000 स्लाइस किए गए विंडोज़ प्राप्त हुए। स्थिरता में सुधार के लिए इन्फरेंस के दौरान ओवरलैपिंग सेगमेंट का औसत निकाला गया।
विभाजन (Split): ट्रेनिंग (60%), वैलिडेशन (20%), और टेस्ट (20%) सेटों में यादृच्छिक रूप से विभाजित किया गया।

इनपुट और आउटपुट सिग्नल (Input and Output Signals)

इनपुट (19 सिग्नल): सख्ती से डिस्चार्ज शेड्यूल या फीडबैक-रेगुलेटेड मापदंडों द्वारा परिभाषित।
- लोअर हाइब्रिड वेव (LHW) पावर और फेज (4 चैनल)।
- आयन साइक्लोट्रॉन रेजोनेंस हीटिंग (ICRH) पावर (3 चैनल)।
- संदर्भ प्लाज्मा करंट ( $I_p$ )।
- फ्यूलिंग/वॉल स्थितियों के प्रॉक्सी के रूप में वास्तविक समय की लाइन-एवरेज इलेक्ट्रॉन डेंसिटी ( $n_e$ )।
- पोलॉइडल फील्ड (PF) कॉइल करंट (10 चैनल)।
आउटपुट (6 वैश्विक मापदंड):
- नॉर्मलाइज्ड बीटा ( $\beta_n$ ), टोरोइडल बीटा ( $\beta_t$ ), पोलॉइडल बीटा ( $\beta_p$ )।
- प्लाज्मा स्टोर्ड एनर्जी ( $W_{mhd}$ )।
- मैग्नेटिक एक्सिस पर सेफ्टी फैक्टर ( $q_0$ ) और 95% फ्लक्स सरफेस पर सेफ्टी फैक्टर ( $q_{95}$ )।

मॉडल आर्किटेक्चर (Model Architecture)

मुख्य आर्किटेक्चर: MLP, LSTM नेटवर्क और मानक ट्रांसफॉर्मर एनकोडर/डिकोडर मॉडल के साथ बेंचमार्किंग के बाद एक ट्रांसफॉर्मर-आधारित मॉडल का चयन किया गया।
तर्क (Rationale): ट्रांसफॉर्मर मल्टी-सिग्नल, लंबी अवधि के डिस्चार्ज अनुक्रमों में निहित लॉन्ग-रेंज टेम्पोरल डिपेंडेंसी और जटिल क्रॉस-चैनल इंटरैक्शन को कैप्चर करने के लिए सेल्फ-अटेंशन मैकेनिज्म का उपयोग करते हैं।
हाइपरपैरामीटर्स: बेयसियन ऑप्टिमाइज़ेशन के माध्यम से अनुकूलित। मुख्य सेटिंग्स में 8 अटेंशन हेड्स, 2 लेयर्स, $10^{-3}$ की लर्निंग रेट, 0.1 का ड्रॉपआउट और 16 का बैच साइज शामिल था।
ट्रेनिंग एनवायरनमेंट: चार NVIDIA A100 GPUs का उपयोग करते हुए Red Hat Enterprise Linux 8 पर PyTorch।

3. प्रमुख योगदान (Key Contributions)

प्री-डिस्चार्ज प्रेडिक्शन फ्रेमवर्क: मॉडल सफलतापूर्वक प्री-डिस्चार्ज इनपुट्स का उपयोग करके प्लाज्मा प्रतिक्रियाओं की भविष्यवाणी करता है, जो उन वास्तविक समय की अवस्था मापों (जैसे गैस पफिंग डेटा) की आवश्यकता को दरकिनार करता है जो योजना चरण के दौरान उपलब्ध नहीं होते हैं।
फ्यूजन में ट्रांसफॉर्मर का अनुप्रयोग: यह टोकामाक डिस्चार्ज प्रेडिक्शन के लिए पारंपरिक टाइम-सीरीज मॉडल (LSTM) और MLPs की तुलना में ट्रांसफॉर्मर आर्किटेक्चर की श्रेष्ठता को प्रदर्शित करता है, जो परीक्षण किए गए मॉडलों में सबसे कम मीन स्क्वेर्ड एरर (MSE) प्राप्त करता है।
सांख्यिकीय सत्यापन: यह सत्यापित करने के लिए कि चयनित 19 इनपुट सिग्नल्स का लक्षित आउटपुट्स के साथ सांख्यिकीय रूप से महत्वपूर्ण कारण (causal) और रैखिक संबंध है, कठोर ग्रेंजर कॉजलिटी और पियर्सन कोरिलेशन विश्लेषण किया गया।
उच्च-गति इन्फरेंस (High-Speed Inference): लगभग 0.1 सेकंड का इन्फरेंस समय प्राप्त किया गया, जो वास्तविक समय या वास्तविक समय के करीब परिदृश्य स्वीप और अनुकूलन कार्यों को सक्षम बनाता है जो भौतिकी-आधारित कोड के साथ कम्प्यूटेशनल रूप से कठिन होते हैं।

4. परिणाम (Results)

समग्र प्रदर्शन:
- औसत MSE: 0.026।
- औसत $R^2$ : 0.94।
- इन्फरेंस टाइम: ~0.1 सेकंड।
पैरामीटर-विशिष्ट प्रदर्शन:
- उच्च सटीकता: मॉडल $\beta_n$ , $\beta_t$ , $\beta_p$ , और $W_{mhd}$ के लिए असाधारण रूप से अच्छा प्रदर्शन करता है, जिसमें $R^2$ मान आम तौर पर 0.89 से अधिक है।
- सेफ्टी फैक्टर्स के लिए कम सटीकता: $q_0$ $q_{0}$ और $q_{95}$ $q_{95}$ के लिए भविष्यवाणियों ने कम सटीकता ( $R^2 \approx 0.65 - 0.78$ $R^{2} \approx 0.65 - 0.78$ ) दिखाई।
  - तर्क: ये पैरामीटर प्लाज्मा करंट डेंसिटी ( $j(r)$ ) के आंतरिक रेडियल वितरण पर बहुत अधिक निर्भर करते हैं, जो केवल प्री-डिस्चार्ज इनपुट्स द्वारा अनूठे रूप से निर्धारित नहीं होता है। मॉडल बिना काइनेटिक मेजरमेंट्स के इन आंतरिक प्रोफाइल्स को पुनर्गठित करने में संघर्ष करता है।
केस स्टडीज:
- मॉडल ने ओमिक (Ohmic), LHW-हीटेड, और ICRH-हीटेड परिदृश्यों के लिए डिस्चार्ज पल्स (रैंप-अप, फ्लैट-टॉप, रैंप-डाउन) को सफलतापूर्वक पुनरुत्पादित किया।
- विफलता मोड (Failure Modes): चुंबकीय कॉइल करंट में महत्वपूर्ण, अनपेक्षित उतार-चढ़ाव (जैसे डिस्चार्ज #57821) या प्रशिक्षण डेटा में अच्छी तरह से प्रतिनिधित्व न किए गए दुर्लभ ड्यूल-हीटिंग परिदृश्यों के मामलों में खराब प्रदर्शन देखा गया।

5. महत्व और भविष्य की दिशाएं (Significance and Future Directions)

परिचालन प्रभाव: यह कार्य डिस्चार्ज प्लानिंग और परिदृश्य मूल्यांकन के लिए एक तेज़ सरोगेट मॉडल प्रदान करता है। यह ऑपरेटरों को वास्तविक प्रयोग चलाने से पहले स्थिरता और प्रदर्शन के लिए हजारों कॉन्फ़िगरेशन विविधताओं का तेजी से परीक्षण करने की अनुमति देता है।
पूरक भूमिका: मॉडल का उद्देश्य भौतिकी-आधारित सिम्युलेटर को बदलना नहीं बल्कि उन्हें पूरक बनाना है। जहाँ भौतिकी कोड इस प्रश्न का उत्तर देते हैं कि सिद्धांत के आधार पर "क्या होना चाहिए", वहीं यह डेटा-संचालित मॉडल ऐतिहासिक मशीन व्यवहार के आधार पर "वास्तव में क्या होता है" का उत्तर देता है।
भविष्य का कार्य:
- सामान्यीकरण (Generalization): मॉडल को अलग-अलग टोकामाक या प्रमुख हार्डवेयर संशोधनों के बाद स्थानांतरित करने की चुनौती को संबोधित करना।
- फिजिक्स-इन्फॉर्म्ड ML: मजबूती और एक्सट्रपलेशन क्षमताओं में सुधार के लिए प्रशिक्षण प्रक्रिया में भौतिक बाधाओं या ज्ञान को एकीकृत करना।
- डेटा विस्तार: सामान्यीकरण में सुधार के लिए विविध डेटा, जिसमें दुर्लभ परिचालन परिदृश्य और कई उपकरणों का डेटा शामिल है, एकत्र करना।
- प्रोफाइल प्रेडिक्शन: 1D प्रोफाइल्स (डेंसिटी, टेम्परेचर) और लूप वोल्टेज ( $V_{loop}$ ) तथा आंतरिक इंडक्टेंस ( $l_i$ ) जैसे अतिरिक्त मापदंडों की भविष्यवाणी करने के लिए मॉडल का विस्तार करना।

निष्कर्षतः, यह अध्ययन एक मजबूत, उच्च-गति, ट्रांसफॉर्मर-आधारित ढांचे को स्थापित करता है जो डिस्चार्ज कॉन्फ़िगरेशन से टोकामाक प्लाज्मा व्यवहार की भविष्यवाणी करता है, जिससे WEST टोकामाक और भविष्य के फ्यूजन उपकरणों के लिए परिदृश्य डिजाइन और नियंत्रण अनुकूलन की दक्षता में उल्लेखनीय वृद्धि होती है।