🔬 physics

Deep Learning Models for ADITYA-U MHD Equilibrium

यह शोध पत्र 1,00,000 से अधिक मामलों के एक सिंथेटिक डेटासेट पर प्रशिक्षित डीप लर्निंग मॉडलों के एक समूह को प्रस्तुत करता है जो ADITYA-U टोकामक के मैग्नेटोहाइड्रोडायनामिक इक्विलिब्रियम मापदंडों और प्रोफाइल्स की सटीक और कुशल भविष्यवाणी करने के लिए, वास्तविक समय के नियंत्रण और प्रयोगात्मक योजना के लिए पारंपरिक सॉल्वर के एक गणनात्मक रूप से व्यवहार्य विकल्प के रूप में कार्य करता है।

मूल लेखक: Udaya Maurya, Suman Aich, Indranil Bandyopadhyay, Daniel Raju

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Udaya Maurya, Suman Aich, Indranil Bandyopadhyay, Daniel Raju

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 एक टोकामक (जैसे भारत की ADITYA-U मशीन) एक विशाल, हाई-टेक डोनट के आकार के ओवन की तरह है। इसके अंदर, सुपर-हॉट गैस जिसे प्लाज्मा कहते हैं, एक चुंबकीय क्षेत्र में तैरती है। इस प्लाज्मा को दीवारों से टकराने और ओवन को पिघलाने से बचाने के लिए, वैज्ञानिकों को यह जानना आवश्यक है कि किसी भी क्षण चुंबकीय "पिंजरे" का आकार वास्तव में क्या है। इस आकार को MHD इक्विलिब्रियम (MHD Equilibrium) कहा जाता है।

पारंपरिक रूप से, इस आकार का पता लगाना एक विशाल, जटिल गणितीय पहेली को हल करने जैसा है। इसे संख्याओं को प्रोसेस करने में एक शक्तिशाली कंप्यूटर को काफी समय लगता है ताकि वह बता सके, "ठीक है, चुंबकीय पिंजरा वर्तमान में एक थोड़े दबे हुए वृत्त के आकार का है, और दबाव यहाँ है।" यदि आप खाना पकाते समय वास्तविक समय (real-time) में ओवन को एडजस्ट करना चाहते हैं, तो यह तरीका बहुत धीमा है।

बड़ा विचार: कंप्यूटर को आकार का "अनुमान" लगाना सिखाना
इस शोध के लेखकों ने पूछा: क्या हम एक कंप्यूटर को कुछ त्वरित मापों को देखकर तुरंत चुंबकीय पिंजरे के आकार का "अनुमान" लगाना सिखा सकते हैं, ठीक वैसे ही जैसे एक मास्टर शेफ बिना हर एक दाने को मापे केवल देखकर बता सकता है कि केक बन गया है या नहीं?

इसे करने के लिए, उन्होंने केवल वास्तविक प्रयोगों का इंतज़ार नहीं किया। इसके बजाय, उन्होंने 100,760 अलग-अलग "क्या होगा अगर" वाले परिदृश्यों की एक विशाल आभासी लाइब्रेरी बनाई। उन्होंने pyIPREQ नामक एक कंप्यूटर प्रोग्राम का उपयोग करके यह सिम्युलेट किया कि हजारों अलग-अलग स्थितियों के तहत प्लाज्मा कैसा दिखता। यह लाइब्रेरी उनके "पाठ्यपुस्तक" की तरह बनी, जो ADITYA-U मशीन के 766 वास्तविक पिछले प्रयोगों पर आधारित थी।

"छात्र": AI मॉडल के विभिन्न प्रकार
शोधकर्ताओं ने कई अलग-अलग प्रकार के "छात्रों" (डीप लर्निंग मॉडल) को इस पाठ्यपुस्तक से सीखना सिखाया। उन्होंने यह देखने के लिए अलग-अलग शिक्षण शैलियों का परीक्षण किया कि कौन सी सबसे अच्छी काम करती है:

"सूची बनाने वाले" (डेंस न्यूरल नेटवर्क): ये मॉडल उन छात्रों की तरह हैं जो विशिष्ट नंबरों को याद रखने में माहिर होते हैं। यदि आप उनसे पूछते हैं, "प्लाज्मा का केंद्र कहाँ है?" या "दबाव कितना है?", तो वे बहुत तेज़ी से एक एकल संख्यात्मक उत्तर देते हैं। उन्होंने एक "इनवर्स" (उल्टा) छात्र भी आजमाया: यदि आप कहते हैं, "मैं चाहता हूँ कि प्लाज्मा यहाँ हो," तो यह छात्र आपको बताता है कि उस स्थिति तक पहुँचने के लिए किन नॉब्स (कॉइल्स) को घुमाना है।
"पैटर्न पहचानने वाले" (PCA मॉडल): कल्पना कीजिए कि आप एक बादल का वर्णन करने की कोशिश कर रहे हैं। हर एक पानी की बूंद को सूचीबद्ध करने के बजाय, आप कह सकते हैं, "यह मुख्य रूप से एक फुला हुआ गोला है जिसमें एक छोटी पूंछ है।" इन मॉडलों ने पाया कि उनके लाइब्रेरी में मौजूद सभी प्लाज्मा आकारों को केवल कुछ "बिल्डिंग ब्लॉक्स" (जिन्हें प्रिंसिपल कंपोनेंट्स कहा जाता है) का उपयोग करके वर्णित किया जा सकता है। उन्होंने इन कुछ ब्लॉक्स को मिलाकर पूरे आकार को फिर से बनाना सीखा। यह चेहरे के हर एक रोम छिद्र को जानने के बजाय, केवल आँख, नाक और मुँह बनाना सीखने जैसा है।
"पिक्सेल कलाकार" (कन्वोल्यूशनल न्यूरल नेटवर्क - CNNs): ये मॉडल इमेज एडिटर की तरह हैं। वे चुंबकीय क्षेत्र को एक चित्र (डॉट्स का ग्रिड) के रूप में देखते हैं। वे स्थानीय विवरणों को पकड़ने में बहुत अच्छे होते हैं, जैसे कि चुंबकीय क्षेत्र में एक छोटा सा उभार या लहर, यह देखकर कि पड़ोसी डॉट्स एक-दूसरे से कैसे संबंधित हैं।
"फिजिक्स पुलिस" (PINNs): यह सबसे सख्त शिक्षक था। इन मॉडलों को सीखते समय भौतिकी के नियमों (विशेष रूप से ग्रेड-शाफ्रानोव समीकरण) का पालन करने के लिए मजबूर किया गया। यदि मॉडल ने ऐसा चुंबकीय आकार बनाने की कोशिश की जो भौतिक रूप से असंभव था (जैसे कि एक चुंबकीय रेखा का टूट जाना), तो "फिजिक्स पुलिस" उसे खराब ग्रेड देती थी। इसने सुनिश्चित किया कि अनुमान केवल गणितीय रूप से सुंदर ही नहीं, बल्कि वास्तव में भौतिक रूप से वास्तविक भी हों।

उन्हें क्या पता चला?

गति ही सर्वोपरि है: प्रशिक्षित AI मॉडल लगभग 1 मिलीसेकंड में प्लाज्मा के आकार की भविष्यवाणी कर सकते थे। यह पारंपरिक गणितीय पहेली विधि की तुलना में हजारों गुना तेज़ है।
सटीकता: मॉडल आश्चर्यजनक रूप से सटीक थे। वे चुंबकीय केंद्र की स्थिति, दबाव और प्लाज्मा की सुरक्षा (सेफ्टी फैक्टर) की बहुत कम त्रुटियों के साथ भविष्यवाणी कर सके।
समझौता (The Trade-off):
- "पैटर्न पहचानने वाले" (PCA) समग्र आकार को सुचारू और सही बनाए रखने में माहिर थे, जैसे कि एक वाइड-एंगल लेंस।
- "पिक्सेल कलाकार" (CNN) सूक्ष्म विवरणों को देखने में अच्छे थे लेकिन कभी-कभी छोटे, स्थानीय त्रुटियाँ कर देते थे, जैसे कि एक ज़ूम-इन लेंस जो किनारों पर थोड़ा धुंधला हो जाता है।
- "फिजिक्स पुलिस" (PINN) ने यह सुनिश्चित किया कि भले ही वे गलतियाँ करें, उनकी गलतियाँ भौतिकी के नियमों को नहीं तोड़ती हैं।

"इनवर्स" ट्रिक
इस अध्ययन का एक दिलचस्प हिस्सा एक "इनवर्स" मॉडल था। आमतौर पर, आप पूछते हैं, "यदि मैं इन नॉब्स को घुमाता हूँ, तो प्लाज्मा के साथ क्या होगा?" इस मॉडल ने प्रश्न को उलट दिया: "मैं चाहता हूँ कि प्लाज्मा का आकार यह विशिष्ट हो; मुझे किन नॉब्स को घुमाना चाहिए?" AI ने वांछित अवस्था प्राप्त करने के लिए सही कॉइल करंट का सुझाव देना सीख लिया, जो भविष्य के प्रयोगों की योजना बनाने के लिए महत्वपूर्ण है।

निष्कर्ष
शोधकर्ताओं ने सफलतापूर्वक AI मॉडल्स का एक टूलकिट बनाया है जो ADITYA-U प्लाज्मा की स्थिति की तुरंत भविष्यवाणी कर सकता है। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने सिम्युलेटेड डेटा की एक विशाल, यथार्थवादी लाइब्रेरी पर प्रशिक्षण लिया और भौतिकी के नियमों के विरुद्ध अपने काम की जाँच की।

यह क्यों मायने रखता है?
क्योंकि ये मॉडल बहुत तेज़ हैं, इनका उपयोग अंततः वास्तविक समय में प्लाज्मा को नियंत्रित करने के लिए किया जा सकता है। गणित हल करने के लिए मिनटों तक कंप्यूटर का इंतज़ार करने के बजाय, मशीन प्लाज्मा को स्थिर रखने के लिए चुंबकीय क्षेत्रों को तुरंत समायोजित कर सकती है, जिससे फ्यूजन ऊर्जा अनुसंधान सुरक्षित और अधिक कुशल हो जाता है।

उल्लिखित सीमाएँ
पेपर अपनी सीमाओं के प्रति ईमानदार है:

मॉडल केवल उनके लिए काम करते हैं जिनके लिए उन्हें प्रशिक्षित किया गया है, यानी प्लाज्मा का विशिष्ट "वृत्ताकार" आकार।
वे इस बात पर निर्भर हैं कि कुछ सेंसर (मैग्नेटिक प्रोब्स) पूरी तरह से काम कर रहे हों।
अभी तक उनका परीक्षण हर संभव अस्थिर परिदृश्य पर नहीं किया गया है।

संक्षेप में, उन्होंने एक कंप्यूटर को ADITYA-U टोकामक के लिए एक सुपर-फास्ट, भौतिकी-जानने वाले सहायक के रूप में प्रशिक्षित किया है, जो पलक झपकते ही अदृश्य चुंबकीय पिंजरे को देख सकता है।

तकनीकी सारांश: ADITYA-U MHD साम्यावस्था के लिए डीप लर्निंग मॉडल

समस्या विवरण
मैग्नेटोहाइड्रोडायनामिक (MHD) साम्यावस्था पुनर्निर्माण (reconstruction) टोकामक अनुसंधान के लिए मौलिक है, जो प्लाज्मा सीमा, चुंबकीय अक्ष स्थिति, सुरक्षा कारक ( $q$ ), और धारा घनत्व प्रोफाइल जैसे आवश्यक मात्राओं को प्रदान करता है। पारंपरिक पुनर्निर्माण EFIT जैसे पुनरावृत्ति मुक्त-सीमा सॉल्वर (iterative free-boundary solvers) पर निर्भर करता है, जो गणनात्मक रूप से खर्चीला है और वास्तविक समय के प्लाज्मा नियंत्रण या तीव्र प्रयोगात्मक विश्लेषण के लिए अक्सर अनुपयुक्त होता है। जबकि अन्य टोकामकों (जैसे KSTAR, DIII-D, EAST) के लिए मशीन लर्निंग (ML) सरोगेट्स का अन्वेषण किया गया है, एक बड़े पैमाने के, प्रयोगात्मक रूप से प्रासंगिक सिंथेटिक डेटाबेस का उपयोग करके विशेष रूप से ADITYA-U मध्यम आकार के सर्कुलर टोकामक के लिए तैयार किया गया व्यापक, डेटा-संचालित साम्यावस्था मॉडलिंग का अभाव था।

कार्यप्रणाली

डेटासेट जनरेशन:
लेखकों ने pyIP_REQ Grad-Shafranov सॉल्वर का उपयोग करके 100,760 मामलों का एक सिंथेटिक फ्री-बाउंड्री साम्यावस्था डेटासेट तैयार किया। इनपुट ऑपरेटिंग स्पेस को 766 ADITYA-U प्लाज्मा डिस्चार्ज (2021-2025) से प्राप्त किया गया था, जो प्लाज्मा करंट ( $I_p$ ) 100 kA से अधिक वाले फ्लैट-टॉप चरण पर केंद्रित था।
- बाधाएं (Constraints): डेटासेट को सर्कुलर लिमिटर प्लाज्मा तक सीमित रखा गया था। भौतिक यथार्थवाद सुनिश्चित करने के लिए, लेखकों ने चुंबकीय अक्ष विस्थापन ( $\Delta R \le 0.04$ m, $Z_{ax} \le 0.02$ m), सामान्यीकृत आंतरिक प्रेरकत्व ( $\ell_i \in [0.7, 1.7]$ ), और सुरक्षा कारकों ( $q_0 \in [0.9, 1.5]$ , $q_1 > 2.0$ ) की सीमाओं सहित फ़िल्टरिंग मानदंड लागू किए।
- इनपुट फीचर्स: इनपुट में टोरोइडल फील्ड ( $B_\phi$ ), लूप वोल्टेज ( $V_{loop}$ ), प्लाज्मा करंट ( $I_p$ ), पोलॉइडल फील्ड कॉइल करंट, और 16 मैग्नेटिक प्रोब्स से प्राप्त पोलॉइडल मैग्नेटिक फील्ड माप ( $B_\theta$ ) शामिल थे।
- $\beta_p$ अनुमान: चूंकि सभी शॉट्स के लिए प्रत्यक्ष डायमैग्नेटिक लूप माप उपलब्ध नहीं थे, इसलिए परिचालन मापदंडों के आधार पर पोलॉइडल बीटा ( $\beta_p$ ) का अनुमान लगाने के लिए एक संभाव्य रैखिक प्रतिगमन (probabilistic linear regression) मॉडल विकसित किया गया, जिसमें माप अनिश्चितता को सिम्युलेट करने के लिए स्टोकेस्टिक शोर (stochastic noise) जोड़ा गया।
डीप लर्निंग आर्किटेक्चर:
TensorFlow/Keras का उपयोग करके चार श्रेणियों के मॉडलों की जांच की गई, जिन्हें (टेम्पोरल लीकेज को रोकने के लिए शॉट लेबल के आधार पर) 80/10/10 स्प्लिट पर प्रशिक्षित किया गया था:
1. डेंस न्यूरल नेटवर्क (DNN): स्केलर साम्यावस्था मात्राओं (चुंबकीय अक्ष स्थिति $R_{ax}, Z_{ax}$ , $\beta_p$ , $\ell_i$ , एज सुरक्षा कारक $q_1$ और फ्लक्स मान $\psi_{axs}, \psi_{lim}$ ) की भविष्यवाणी करने के लिए उपयोग किया गया और वांछित साम्यावस्था अवस्थाओं से कॉइल करंट का अनुमान लगाने के लिए एक इनवर्स मॉडल के रूप में भी उपयोग किया गया।
2. PCA-आधारित रिड्यूस्ड-ऑर्डर मॉडल: 1D सुरक्षा कारक ( $q$ ) प्रोफाइल और 2D पोलॉइडल फ्लक्स ( $\psi$ ) प्रोफाइल पर लागू किया गया। उच्च-आयामी प्रोफाइल्स को निम्न-आयामी लेटेंट स्पेस ( $q$ के लिए 4 मोड, $\psi$ के लिए 13 मोड) पर प्रोजेक्ट किया गया और DNNs के माध्यम से पुनर्गठित किया गया।
3. कन्वोल्यूशनल न्यूरल नेटवर्क (CNN):
  - 1D-CNN: मोनोटोनिसिटी बाधाओं को लागू करने के लिए सुरक्षा कारक के व्युत्पन्न ( $q' = \partial q / \partial \rho$ ) की भविष्यवाणी की, जिसके बाद $q$ प्रोफाइल को पुनः प्राप्त करने के लिए इसका एकीकरण (integration) किया गया।
  - 2D-CNN: ट्रांसपोज़्ड कनवल्शन का उपयोग करके इमेज जनरेशन टास्क के रूप में सीधे 2D पोलॉइडल फ्लक्स ( $\psi$ ) प्रोफाइल को मॉडल किया गया।
4. फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN): $\psi$ के लिए दोनों PCA और CNN मॉडलों को PINN के रूप में तैयार किया गया। उन्होंने Grad-Shafranov अवशेष ( $\delta_{GS}$ ) को लॉस फंक्शन में एक रेगुलराइजेशन टर्म के रूप में शामिल किया ताकि उन समाधानों को दंडित किया जा सके जो अंतर्निहित साम्यावस्था भौतिकी के साथ असंगत हों। इन मॉडलों ने करंट डेंसिटी प्रोफाइल पैरामीटर्स ( $\alpha, \beta, \gamma$ ) की भी भविष्यवाणी की ताकि इस गणना को सुगम बनाया जा सके।

प्रमुख योगदान और परिणाम

स्केलर पैरामीटर भविष्यवाणी: डेंस न्यूरल नेटवर्क ने उच्च सटीकता के साथ प्रमुख स्केलर मात्राओं की सफलतापूर्वक भविष्यवाणी की। उदाहरण के लिए, चुंबकीय अक्ष स्थिति ( $R_{ax}, Z_{ax}$ ) की भविष्यवाणी क्रमशः $\approx 2.33 \times 10^{-5}$ m और $\approx 6.53 \times 10^{-6}$ m के मीडियन एब्सोल्यूट एरर के साथ की गई। इनवर्स मॉडल ने वांछित साम्यावस्था अवस्थाओं के लिए सांख्यिकीय रूप से पसंदीदा कॉइल करंट संयोजनों को इन्फर करने की क्षमता प्रदर्शित की, हालांकि लेखक नोट करते हैं कि यह मैपिंग अद्वितीय (unique) नहीं है।
प्रोफाइल पुनर्निर्माण:
- सुरक्षा कारक ( $q$ ): दोनों PCA और 1D-CNN दृष्टिकोणों ने उच्च फिडेलिटी प्राप्त की। 1D-CNN दृष्टिकोण, जिसने मोनोटोनिसिटी बाधाओं का उपयोग किया, ने PCA मॉडल की तुलना में प्लाज्मा एज के पास बेहतर सटीकता दिखाई। हालांकि, दोनों विधियों ने चुंबकीय अक्ष ( $q_0$ ) के पास बड़े सापेक्ष त्रुटि प्रदर्शित किए, जहाँ प्रोफाइल करंट डेंसिटी विवरणों के प्रति संवेदनशील होता है जो इनपुट द्वारा पूरी तरह से कैप्चर नहीं किए गए हैं।
- पोलॉइडल फ्लक्स ( $\psi$ ): 2D-CNN मॉडल ने PCA मॉडल की तुलना में बेहतर समग्र पुनर्निर्माण सटीकता प्राप्त की। हालांकि, PCA मॉडल ने स्मूथ पुनर्निर्माण उत्पन्न किए जो प्रमुख साम्यावस्था संरचना को बेहतर ढंग से संरक्षित करते थे, जबकि CNN मॉडल कभी-कभी स्थानीयकृत स्थानिक विकृतियां (localized spatial distortions) प्रदर्शित करता था।
फिजिक्स-इन्फॉर्म्ड रेगुलराइजेशन: $\psi$ मॉडलों में Grad-Shafranov अवशेष लॉस का समावेश एक प्रभावी रेगुलराइजेशन तंत्र के रूप में कार्य करता है, जो भौतिक रूप से असंगत भविष्यवाणियों को रोकता है और यह सुनिश्चित करता है कि पुनर्निर्मित फ्लक्स सतहें गवर्निंग इक्विलिब्रियम इक्वेशन का पालन करती हैं।
कंप्यूटेशनल दक्षता: मल्टी-कोर CPU पर सबसे बड़े मॉडल (2D-CNN) का इन्फरेंस टाइम प्रति साम्यावस्था इंस्टेंस लगभग 1 ms था, जो वास्तविक समय अनुप्रयोगों के लिए उपयुक्तता का संकेत देता है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य प्रयोगात्मक रूप से प्रासंगिक परिदृश्यों से प्राप्त बड़े पैमाने के सिंथेटिक डेटाबेस का उपयोग करके ADITYA-U के लिए मशीन लर्निंग-आधारित MHD साम्यावस्था मॉडलिंग पर पहला व्यापक अध्ययन है। विकसित ढांचा पारंपरिक सॉल्वरों का एक गणनात्मक रूप से कुशल विकल्प प्रदान करता है, जो निम्नलिखित के लिए उपयोगिता प्रदान करता है:

वास्तविक समय प्लाज्मा नियंत्रण।
प्रयोगात्मक डिस्चार्ज व्याख्या के लिए तीव्र साम्यावस्था विश्लेषण।
एक्चुएटर प्लानिंग और प्रयोगात्मक योजना।

यह अध्ययन इस बात पर प्रकाश डालता है कि ADITYA-U का सीमित परिचालन स्थान प्रभावी रिड्यूस्ड-ऑर्डर रिप्रेजेंटेशन को स्वीकार करता है। हालांकि ये मॉडल बिना मैग्नेटिक प्रोब इनपुट वाले सॉल्वरों के प्रत्यक्ष प्रतिस्थापन के रूप में प्रस्तुत नहीं किए गए हैं, वे ADITYA-U संचालन के लिए भविष्य के भौतिकी-निर्देशित वास्तविक समय नियंत्रण और तीव्र विश्लेषण के लिए एक आधार स्थापित करते हैं।

नोट की गई सीमाएं
पेपर विनम्रतापूर्वक कई सीमाओं को स्वीकार करता है:

डेटासेट सर्कुलर लिमिटर प्लाज्मा तक सीमित है और एक विशिष्ट करंट डेंसिटी प्रोफाइल मॉडल पर निर्भर करता है।
कोई औपचारिक लीनियरलाइज्ड MHD स्थिरता विश्लेषण नहीं किया गया।
$\beta_p$ अनुमान सीमित प्रयोगात्मक डेटा के कारण एक सरलीकृत संभाव्य मॉडल पर निर्भर है।
मॉडलों को इनपुट के रूप में विश्वसनीय मैग्नेटिक प्रोब और लूप वोल्टेज माप की आवश्यकता होती है, जो उन परिदृश्यों में उनकी प्रयोज्यता को सीमित करता है जहाँ ये डायग्नोस्टिक्स उपलब्ध नहीं हैं।
प्रोफाइल शेप पैरामीटर्स ( $\alpha, \gamma$ ) और उन मात्राओं की भविष्यवाणी करना जो उनके प्रति संवेदनशील हैं ( $\ell_i, q_0$ ), चुनौतीपूर्ण बना हुआ है, जो भविष्य के कार्य में अतिरिक्त डायग्नोस्टिक्स की आवश्यकता का सुझाव देता है।

इसी तरह के और पेपर