🤖 AI

Cycle-Consistent and Uncertainty-Aware Neural Surrogates for Tokamak Edge Plasmas

यह शोधपत्र एक चक्र-सुसंगत (cycle-consistent) और अनिश्चितता-जागरूक (uncertainty-aware) न्यूरल सरोगेट प्रस्तुत करता है जो एक कंडीशनल U-Net फॉरवर्ड मॉडल को एक अनुकूलन-आधारित व्युत्क्रम विधि (optimization-based inverse method) के साथ जोड़ता है ताकि 2D टोकामाक एज प्लाज्मा अवस्थाओं का तेजी से और विश्वसनीय रूप से पूर्वानुमान लगाया जा सके और नियंत्रण मापदंडों को पुनर्प्राप्त किया जा सके, जिससे पारंपरिक सिमुलेशन की तुलना में मिलीसेकंड-गति का प्रदर्शन प्राप्त होता है जो आदेशों की कोटि (orders of magnitude) अधिक तेज़ है और साथ ही वास्तविक समय नियंत्रण और अनिश्चितता परिमाणीकरण को सक्षम बनाता है।

मूल लेखक: Abdourahmane Diaw, Sebastian De Pascuale, Jae-Sun Park, Ivan Paradela Perez, Jeremy D. Lore, Stefan Dasbach

प्रकाशित 2026-07-24

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abdourahmane Diaw, Sebastian De Pascuale, Jae-Sun Park, Ivan Paradela Perez, Jeremy D. Lore, Stefan Dasbach

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 तारे के भीतर के मौसम की भविष्यवाणी करने की कोशिश की जा रही है। वास्तव में वैज्ञानिक यही करते हैं जब वे एक फ्यूजन रिएक्टर के किनारे का अध्ययन करते हैं, जो एक ऐसी मशीन है जिसे स्वच्छ ऊर्जा बनाने के लिए सूर्य की शक्ति की नकल करने के लिए डिज़ाइन किया गया है। इन विशाल डोनट के आकार की मशीनों के भीतर, जिन्हें टोकामक (tokamaks) कहा जाता है, अत्यधिक गर्म गैस (प्लाज्मा) चारों ओर घूमती है, बाहर निकलने की कोशिश करती है। इस प्लाज्मा का "किनारा" सबसे अराजक हिस्सा है, जहाँ यह रिएक्टर की दीवारों से टकराता है। यदि हम सटीक रूप से यह अनुमान नहीं लगा सके कि यह किनारा कितना गर्म या घना हो जाता है, तो रिएक्टर अत्यधिक गर्म हो सकता है या बंद हो सकता है। इसे समझने के लिए, भौतिक विज्ञानी सुपर-जटिल कंप्यूटर प्रोग्रामों का उपयोग करते हैं जो डिजिटल विंड टनल (wind tunnels) की तरह काम करते हैं। लेकिन यहाँ एक पेंच है: इन सिमुलेशन को चलाना ऐसा है जैसे ओवन को तीन दिनों तक गर्म होने का इंतज़ार करके केक बेक करने की कोशिश करना। एक एकल उत्तर प्राप्त करने में घंटों या यहाँ तक कि दिन लग जाते हैं, जो बहुत धीमा है यदि आप वास्तविक समय (real-time) में रिएक्टर को नियंत्रित करना चाहते हैं या एक आदर्श रेसिपी खोजने के लिए हजारों अलग-अलग सेटिंग्स का परीक्षण करना चाहते हैं।

यहीं से नया शोध सामने आता है। वैज्ञानिकों ने एक "न्यूरल सरोगेट" (neural surrogate) बनाया है, जो मूल रूप से एक सुपर-स्मार्ट, बिजली की तरह तेज़ AI अंदाज़ा लगाने वाला है। इसे एक अनुभवी शेफ की तरह समझें जिसने हज़ारों केक चखे हैं और अब वह बिना वास्तव में केक बेके, केवल सामग्री की सूची देखकर सटीक रूप से भविष्यवाणी कर सकता है कि एक नया केक कैसा लगेगा। यह AI धीमी, सटीक सिमुलेशन से सीखता है ताकि तुरंत भविष्यवाणियाँ कर सके। लेकिन इसमें एक मोड़ है: आमतौर पर, ये AI शेफ केवल तभी आपको बता सकते हैं कि केक का स्वाद कैसा होगा जब आप उन्हें सामग्री दें। वे यह नहीं बता सकते कि तैयार केक को देखकर उसमें कौन सी सामग्री इस्तेमाल की गई थी। यह नया अध्ययन AI को दोनों काम करने के लिए सिखाता है: सामग्री से केक की भविष्यवाणी करना, और केक से सामग्री का पता लगाना। उन्होंने इसमें एक "सेल्फ-चेक" (self-check) प्रणाली भी जोड़ी है, जो एक टेस्ट-टेस्टर की तरह है जो यह सुनिश्चित करता है कि AI केवल कल्पना (hallucinating) न कर रहा हो, जिससे भविष्यवाणियाँ भरोसेमंद बनी रहें भले ही AI बिना किसी आधार के काम कर रहा हो।

ओक रिज नेशनल लेबोरेटरी और डच इंस्टीट्यूट फॉर फंडामेंटल एनर्जी रिसर्च के शोधकर्ताओं के नेतृत्व वाली टीम ने एक ऐसा सिस्टम बनाया है जो प्लाज्मा भौतिकी के लिए एक दो-तरफा रास्ता (two-way street) के रूप में कार्य करता है। सबसे पहले, उन्होंने एक U-Net नामक न्यूरल नेटवर्क का उपयोग करके एक "फॉरवर्ड मॉडल" (forward model) बनाया। यह मॉडल पांच नियंत्रण नॉब (control knobs)—जैसे कुल शक्ति, कितनी गैस डाली जा रही है, और कण कितनी तेज़ी से चलते हैं—को लेता है और तुरंत भविष्यवाणी करता है कि प्लाज्मा किनारे का पूरा 2D मैप कैसा दिखेगा। घंटों के बजाय, यह AI इसे मिलीसेकंड में कर देता है। यह मूल, धीमे सिमुलेशन की तुलना में लगभग दस लाख गुना तेज़ है।

लेकिन असली जादू "इनवर्स" (inverse) दिशा में होता है। आमतौर पर, यदि आप रिएक्टर की दीवार पर गर्मी का एक विशिष्ट पैटर्न देखते हैं, तो यह पता लगाना कि किन सेटिंग्स के कारण ऐसा हुआ, बेहद कठिन होता है। शोधकर्ताओं ने अपने AI को इस पहेली को सुलझाने के लिए प्रशिक्षित किया। उन्होंने "साइकिल कंसिस्टेंसी" (cycle consistency) नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि आप तापमान की रीडिंग से मौसम की भविष्यवाणी करने के लिए AI से पूछते हैं, और फिर वह अपने स्वयं के मौसम के पूर्वानुमान से तापमान की रीडिंग का अनुमान लगाने की कोशिश करता है। यदि दोनों आपस में मेल नहीं खाते हैं, तो AI को पता चल जाता है कि उसने गलती की है और वह खुद को ठीक करता है। यह सिस्टम को बिना किसी "ग्राउंड ट्रुथ" (ground truth) उत्तर की तुलना किए, अपने काम की जाँच करने की अनुमति देता है। इसी कारण से, AI 0.97 या उससे अधिक के सहसंबंध (correlation) के साथ सभी पांच नियंत्रण सेटिंग्स को सटीक रूप से रिकवर कर सकता है, जिसका अर्थ है कि यह लगभग पूरी तरह से सटीक है।

AI विश्वसनीय हो, यह सुनिश्चित करने के लिए, टीम ने छोटे AI मॉडलों की एक "कमेटी" बनाई है जो विशेषज्ञों के पैनल के रूप में कार्य करती है। यदि सभी विशेषज्ञ सहमत होते हैं, तो भविष्यवाणी ठोस होती है। यदि वे बहस करने लगते हैं (उच्च अनिश्चितता दिखाते हैं), तो सिस्टम उस क्षेत्र को चिह्नित करता है जहाँ हमें अधिक डेटा सीखने के लिए और अधिक धीमे, महंगे सिमुलेशन चलाने की आवश्यकता है। यह विशेष रूप से "इनर डाइवर्टर" (inner divertor) के लिए उपयोगी है, जो रिएक्टर का एक ऐसा हिस्सा है जो भविष्यवाणी करने में बहुत कठिन है क्योंकि यह दीवारों से अलग होने के किनारे पर होता है। AI ने सही ढंग से पहचाना कि यह क्षेत्र सबसे भ्रमित करने वाला है, जिसने उन क्षेत्रों के 13% बिंदुओं को चिह्नित किया जिन्हें अधिक डेटा की आवश्यकता है, जबकि बाहरी हिस्सों के लिए यह केवल 3% था।

परिणाम प्रभावशाली हैं। फॉरवर्ड मॉडल प्लाज्मा अवस्था की भविष्यवाणी 2.6% से कम की त्रुटि और सभी क्षेत्रों के लिए 0.95 से ऊपर के सहसंबंध के साथ करता है। साइकिल-कंसिस्टेंसी पद्धति ने "रिवर्स इंजीनियरिंग" की विश्वसनीयता को एक अस्थिर 0.59 से बढ़ाकर लगभग पूर्ण 0.99 कर दिया है। मॉडल, जिसमें लगभग 4.3 मिलियन पैरामीटर हैं, मिलीसेकंड में एक पूर्ण 2D भविष्यवाणी उत्पन्न कर सकता है। यह गति इतनी तेज़ है कि इसका उपयोग रिएक्टर के वास्तविक समय के नियंत्रण के लिए किया जा सकता है, जिससे ऑपरेटरों को प्लाज्मा को स्थिर रखने के लिए ऑन-द-फ्लाई सेटिंग्स को समायोजित करने की अनुमति मिलती है।

हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह अभी तक एक सिमुलेशन-आधारित सफलता की कहानी है। मॉडल को केवल ड्यूटेरियम ईंधन का उपयोग करके DIII-D टोकामक के एक विशिष्ट विन्यास (configuration) के डेटा पर प्रशिक्षित किया गया है। इसका अभी तक रिएक्टर के वास्तविक दुनिया के प्रयोगात्मक डेटा के विरुद्ध परीक्षण नहीं किया गया है, जो कि अगला महत्वपूर्ण चरण है। वे यह भी बताते हैं कि वर्तमान मॉडल एक समान परिवहन गुणांक (uniform transport coefficients) मानता है और अभी तक हर भौतिक नियम, जैसे कि संवेग (momentum) या ऊर्जा का संरक्षण, को लागू नहीं करता है, हालांकि वे बाद में इन बाधाओं को जोड़ने की योजना बना रहे हैं।

संक्षेप में, यह पेपर एक शक्तिशाली नए उपकरण को पेश करता है जो एक धीमी, एक-तरफा सिमुलेशन को एक तेज़, दो-तरफा, स्व-जाँच करने वाली प्रणाली में बदल देता है। यह न केवल प्लाज्मा के भविष्य की भविष्यवाणी करता है; यह अतीत का निदान भी कर सकता है कि किन सेटिंग्स ने एक विशिष्ट परिणाम बनाया। गति को एक अंतर्निहित "झूठ पकड़ने वाले यंत्र" (lie detector) और अनिश्चितता को पहचानने वाले विशेषज्ञों की कमेटी के साथ जोड़कर, यह न्यूरल सरोगेट सुरक्षित, अधिक कुशल फ्यूजन रिएक्टरों के लिए मार्ग प्रशस्त करता है जिन्हें वास्तविक समय में नियंत्रित किया जा सकता है, जो हमें सितारों की शक्ति को नियंत्रित करने के एक कदम और करीब लाता है।

तकनीकी सारांश: टोकामाक एज प्लाज्मा के लिए साइकिल-कंसिस्टेंट और अनसर्टेन्टी-अवेयर न्यूरल सरोगेट्स

समस्या विवरण
बॉर्डर और डाइवर्टर प्लाज्मा मापदंडों (हीट फ्लक्स, तापमान, घनत्व और डिटैचमेंट ऑनसेट) का सटीक पूर्वानुमान वर्तमान और भविष्य के टोकामाक के सुरक्षित संचालन के लिए महत्वपूर्ण है। हालांकि, SOLPS-ITER कोड का उपयोग करके उच्च-निष्ठा (high-fidelity) वाले एज-प्लाज्मा सिमुलेशन उन कार्यों के लिए गणनात्मक रूप से अत्यधिक कठिन (computationally prohibitive) हैं जिनमें व्यापक पैरामीटर स्कैन, अनुकूलन या वास्तविक समय नियंत्रण की आवश्यकता होती है। प्रत्येक SOLPS-ITER रन एक 'स्टिफ' (stiff), नॉनलीनियर फिक्स्ड-पॉइंट समस्या को हल करता है जिसमें कई घंटे लग सकते हैं, जो प्रारंभिक स्थितियों (initialization) के प्रति अत्यधिक संवेदनशील होता है, और व्यापक पैरामीटर सेटों को स्कैन करने या डिटैच्ड रिजीम में प्रवेश करने पर महत्वपूर्ण विफलता दर (विचलन या अभिसरण न होना) प्रदर्शित करता है। जबकि डेटा-ड्रिवन सरोगेट्स ने इन कार्यों को गति देने के लिए उभरते हुए मॉडल प्रदान किए हैं, मौजूदा मॉडलों में अक्सर फॉरवर्ड और इनवर्स मैपिंग के बीच भौतिक निरंतरता (physical consistency) का अभाव होता है और वे भविष्यवाणी की विश्वसनीयता का आकलन करने के लिए कोई अंतर्निहित तंत्र प्रदान नहीं करते हैं, विशेष रूप से उन अंडरसैम्पल्ड या तीव्र-ग्रेडिएंट वाले क्षेत्रों में जहाँ त्रुटियों की संभावना सबसे अधिक होती है।

कार्यप्रणाली
लेखक दो पूरक न्यूरल सरोगेट्स और एक मजबूत डेटाबेस जनरेशन रणनीति वाला एक ढांचा प्रस्तावित करते हैं:

डेटाबेस जनरेशन (k-d ट्री वार्म-स्टार्ट): SOLPS-ITER की उच्च विफलता दर को संबोधित करने के लिए, लेखक एक ब्रांचिंग k-d ट्री रणनीति का उपयोग करते हैं। जेनेरिक प्रारंभिक स्थितियों से "कोल्ड-स्टार्टेड" सिमुलेशन के बजाय, प्रत्येक नया सिमुलेशन पैरामीटर स्पेस में निकटतम पहले से अभिसरित (converged) डिज़ाइन पॉइंट से "वार्म-स्टार्ट" किया जाता है। यह दृष्टिकोण एक एकल सीड (seed) से विश्वसनीय प्रारंभिक स्थितियों को बाहर की ओर प्रसारित करता है, जिससे डेटाबेस पूर्णता दर ~70% (कोल्ड-स्टार्टेड एन्सेम्बल में) से बढ़कर 95% से अधिक हो जाती है। अंतिम डेटासेट में पांच नियंत्रण मापदंडों: कुल शक्ति ( $P_{tot}$ ), कोर फ्यूलिंग रेट ( $\Gamma_{core}$ ), ड्यूटेरियम पफ रेट ( $\Gamma_{D2}$ ), क्रॉस-फील्ड पार्टिकल डिफ्यूज़िविटी ( $D_{\perp}$ ), और आयन हीट डिफ्यूज़िविटी ( $\chi_i$ ) पर लैटिन हाइपरक्यूब सैंपलिंग के माध्यम से सैंपल किया गया ड्यूटेरियम प्लाज्मा का 760 अभिसरित रन शामिल है।
साइकिल-कंसिस्टेंट 2D फॉरवर्ड/इनवर्स सरोगेट:
- फॉरवर्ड मॉडल: एक कंडीशनल U-Net ( $F_\theta$ ) पांच स्केलर नियंत्रण मापदंडों और एक स्थानिक बाइनरी मास्क को चार 2D प्लाज्मा-स्टेट फील्ड्स: इलेक्ट्रॉन तापमान ( $T_e$ ), आयन तापमान ( $T_i$ ), इलेक्ट्रॉन घनत्व ( $n_e$ ), और पैरेलल आयन वेलोसिटी ( $u_a$ ) में मैप करता है। नियंत्रण मापदंडों को फीचर-वाइज लीनियर मॉड्यूलेशन (FiLM) के माध्यम से इंजेक्ट किया जाता है। नेटवर्क को विस्तृत डायनेमिक रेंज को संभालने के लिए लॉग-ट्रांसफॉर्म किए गए वेरिएबल्स पर प्रशिक्षित किया गया है।
- इनवर्स मॉडल: एक अलग इनवर्स नेटवर्क को प्रशिक्षित करने के बजाय, लेखक एक ऑप्टिमाइज़ेशन-आधारित दृष्टिकोण का उपयोग करते हैं। एक लक्षित फील्ड दिए जाने पर, फ्रोजन फॉरवर्ड मॉडल के माध्यम से ग्रेडिएंट डिसेंट द्वारा विसंगति को कम करके नियंत्रण मापदंडों को रिकवर किया जाता है।
- साइकिल कंसिस्टेंसी: एक साइकिल-कंसिस्टेंसी बाधा फॉरवर्ड और इनवर्स प्रक्रियाओं को जोड़ती है। रिकवर किए गए मापदंडों को वापस फॉरवर्ड मॉडल के माध्यम से फीड किया जाता है; इसके परिणामस्वरूप पुनर्निर्मित फील्ड मूल लक्ष्य से मेल खाना चाहिए। यह इन्फरेंस के दौरान एक स्व-पर्यवेक्षित (self-supervised) गुणवत्ता मीट्रिक प्रदान करता है जिसके लिए ग्राउंड-ट्रुथ लेबल की आवश्यकता नहीं होती है।
- ट्रेनिंग रेगुलराइजेशन: प्रशिक्षण के दौरान, एक सीखा हुआ स्यूडो-इनवर्स ( $G_\psi$ ) एक कंपोजिट लॉस के तहत फॉरवर्ड मॉडल के साथ संयुक्त रूप से प्रशिक्षित किया जाता है जिसमें एक साइकिल-कंसिस्टेंसी टर्म शामिल है। यह फॉरवर्ड सरोगेट को इस तरह आकार देता है कि फॉरवर्ड और इनवर्स मैपिंग के बीच आपसी निरंतरता सुनिश्चित हो सके।
अनसर्टेन्टी-अवेयर 1D प्रोफाइल एन्सेम्बल:
- मल्टीलेयर परसेप्ट्रॉन्स (MLPs) का एक अलग "क्वेरी-बाय-कमेटी" एन्सेम्बल आउटबोर्ड मिडप्लेन और डाइवर्टर टारगेट्स पर $T_e$ और $n_e$ के 1D प्रोफाइल्स की भविष्यवाणी करता है।
- एन्सेम्बल वेरिएंस, प्रेडिक्टिव अनसर्टेन्टी के प्रॉक्सी के रूप में कार्य करता है। वे बिंदु जहाँ कमेटी की असहमति एक थ्रेशोल्ड से अधिक हो जाती है, उन्हें उच्च-अनसर्टेन्टी वाले क्षेत्रों के रूप में चिह्नित किया जाता है, जो नए, सूचनात्मक SOLPS-ITER सिमुलेशन को प्राथमिकता देने के लिए एक्टिव लर्निंग रणनीतियों का मार्गदर्शन करते हैं।

प्रमुख परिणाम

फॉरवर्ड सटीकता: 2D U-Net होल्ड-आउट टेस्ट केसेस के लिए चारों प्लाज्मा-स्टेट फील्ड्स के लिए नॉर्मलाइज्ड रूट-मीन-स्क्वायर एरर (NRMSE) 2.6% से नीचे और पियर्सन कोरिलेशन 0.95 से ऊपर प्राप्त करता है। यह सेपरेट्रिक्स और डाइवर्टर टारगेट्स के पास तीव्र ग्रेडिएंट्स को कैप्चर करता है।
साइकिल कंसिस्टेंसी लाभ: साइकिल-कंसिस्टेंसी रेगुलराइजेशन ( $\lambda_{cyc} = 0.5$ ) जोड़ने से औसत साइक्लिककल $R^2$ को फॉरवर्ड-ओनली बेसलाइन के 0.59 से बढ़ाकर 0.99 कर दिया गया, बिना फॉरवर्ड प्रेडिक्शन सटीकता को कम किए। महत्वपूर्ण रूप से, यह रेगुलराइजेशन कोर फ्यूलिंग रेट ( $\Gamma_{core}$ ) की रिकवरी को सक्षम बनाता है, जिसे फॉरवर्ड-ओनली पेयर द्वारा खराब तरीके से रिकवर किया गया था।
इनवर्स पैरामीटर रिकवरी: ऑप्टिमाइज़ेशन-आधारित इनवर्स विधि सभी पांच नियंत्रण मापदंडों को पियर्सन कोरिलेशन $r \ge 0.97$ के साथ रिकवर करती है। विधि उन रिजीम्स में भी मापदंडों की सफलतापूर्वक पहचान करती है जहाँ फॉरवर्ड मैपिंग स्थानीय रूप से असंवेदनशील (locally insensitive) है, बशर्ते कि साइकिल कंसिस्टेंसी बनी रहे।
डेटाबेस मजबूती: k-d ट्री वार्म-स्टार्ट रणनीति ने 760-रन डेटाबेस के लिए >95% पूर्णता दर प्राप्त की, जो तुलनीय कोल्ड-स्टार्टेड एन्सेम्बल में देखे गए ~30% विफलता दर की तुलना में एक महत्वपूर्ण सुधार है।
इन्फरेंस स्पीड: मॉडल (लगभग 4.3 मिलियन पैरामीटर्स) मिलीसेकंड में (GPU पर सब-मिलीसेकंड) पूर्ण 2D भविष्यवाणियां उत्पन्न करता है, जो मूल SOLPS-ITER रन की तुलना में पांच से छह ऑर्डर ऑफ मैग्नीट्यूड की गति वृद्धि का प्रतिनिधित्व करता है।
अनसर्टेन्टी क्वांटिफिकेशन: 1D एन्सेम्बल प्रोफाइल्स को सटीक रूप से पुनरुत्पादित करता है ( $R^2 > 0.89$ ) और उच्च-अनसर्टेन्टी वाले क्षेत्रों की सही पहचान करता है। इनर डाइवर्टर टारगेट, जो अटैच्ड और डिटैच्ड दोनों अवस्थाओं को कवर करता है, ने उच्चतम अनसर्टेन्टी (~13% पॉइंट्स को फ्लैग किया गया) दिखाई, जो ज्ञात भौतिक चुनौतियों के अनुरूप है।

महत्व और दावे
पेपर का दावा है कि यह ढांचा धीमे, भंगुर (brittle) फिजिक्स सॉल्वर को तेज़, विश्वसनीय न्यूरल सरोगेट्स से बदलकर वास्तविक समय प्लाज्मा नियंत्रण, तीव्र परिदृश्य अनुकूलन और डिजिटल-ट्विन अनुप्रयोगों के लिए एक व्यावहारिक समाधान प्रदान करता है। मुख्य योगदान हैं:

स्व-पर्यवेक्षित विश्वसनीयता: साइकिल-कंसिस्टेंसी तंत्र इन्फरेंस के समय ग्राउंड-ट्रुथ लेबल की आवश्यकता के बिना, इनवर्स भविष्यवाणियों के लिए एक इनबिल्ट क्वालिटी चेक प्रदान करता है, जो मानक सरोगेट मॉडल्स की एक प्रमुख सीमा को संबोधित करता है।
मजबूत डेटा जनरेशन: k-d ट्री वार्म-स्टार्ट रणनीति को स्टिफ नॉनलीनियर सिस्टम के लिए बड़े, यूनिफॉर्मली सैंपलड ट्रेनिंग सेट्स बनाने के लिए एक आवश्यक इंफ्रास्ट्रक्चर के रूप में प्रस्तुत किया गया है, जो सीधे उन विफलता दरों को कम करता है जो आमतौर पर एज-प्लाज्मा डेटाबेस को सीमित करती हैं।
एक्टिव लर्निंग इंटीग्रेशन: अनसर्टेन्टी-अवेयर एन्सेम्बल "ब्लाइंड स्पॉट्स" (विशेष रूप से इनर डाइवर्टर डिटैचमेंट रिजीम) की पहचान करने के लिए एक तंत्र प्रदान करता है, जो मॉडल को इटरेटिव रूप से सुधारने के लिए सबसे सूचनात्मक नए सिमुलेशन को नामित करता है।
ऑटोमेटेड ट्रांसपोर्ट इन्फरेंस: डिफरेंशिएबल इनवर्स प्रक्रिया डायग्नोस्टिक मेजरमेंट्स से ट्रांसपोर्ट कोएफिशिएंट्स ( $D_{\perp}, \chi_i$ ) और कोर फ्यूलिंग रेट्स को स्वचालित रूप से इन्फर करने का मार्ग प्रदान करती है, जो संभावित रूप से मैनुअल, इटरेटिव फिटिंग वर्कफ्लो को बदल सकती है।

लेखक अपनी सीमाओं के संबंध में एक मध्यम स्वर बनाए रखते हैं, यह नोट करते हुए कि वर्तमान मॉडल एक सिंगल DIII-D कॉन्फ़िगरेशन और ड्यूटेरियम-ओनली फ्यूलिंग और यूनिफॉर्म ट्रांसपोर्ट कोएफिशिएंट्स तक सीमित है। वे कहते हैं कि एक्सपेरिमेंटल डेटा के विरुद्ध सत्यापन और अन्य मशीनों एवं स्थानिक रूप से परिवर्तनशील (spatially varying) ट्रांसपोर्ट कोएफिशिएंट्स तक विस्तार करना आवश्यक भविष्य के कदम हैं।

इसी तरह के और पेपर