Physics Attention Transformer Surrogate for Rapid Vertical Instability Growth Rate Prediction: Alcator C-Mod to SPARC

एक व्यावहारिक संलयन रिएक्टर (फ्यूजन रिएक्टर) बनाने की खोज में, वैज्ञानिक एक निरंतर और कठिन चुनौती का सामना कर रहे हैं: सूर्य के केंद्र से भी अधिक गर्म, अत्यधिक गर्म प्लाज्मा के बादल को हवा में लटकाए रखना, बिना इसे इसके कंटेनर की दीवारों को छुए। यह केवल एक गुब्बारे को थामने जैसा सरल मामला नहीं है; प्लाज्मा एक घूमता हुआ, विद्युत रूप से आवेशित तरल है, जो स्वाभाविक रूप से अपने चुंबकीय पिंजरे के भीतर ढहने या बाहर निकल जाने की प्रवृत्ति रखता है। सबसे उन्नत डिजाइनों में, दक्षता को अधिकतम करने के लिए प्लाज्मा को एक लंबे, पतले आकार में खींचा जाता है, लेकिन यही आकार इसे अस्थिर बना देता है। यदि प्लाज्मा स्तंभ थोड़ा सा भी झुक जाता है, तो वह अस्थिर होकर कुछ ही सेकंड के अंश में बर्तन की दीवारों से टकरा सकता है, जिससे मशीन को नुकसान पहुँच सकता है और प्रतिक्रिया समाप्त हो सकती है। इसे रोकने के लिए, नियंत्रण प्रणालियों को परेशानी के शुरुआती संकेतों का पता लगाना होगा और प्लाज्मा को वापस उसकी जगह पर धकेलना होगा। हालाँकि, यह जानना पर्याप्त नहीं है कि प्लाज्मा हिल गया है; सिस्टम को यह भी जानना चाहिए कि उस हलचल की गति कितनी तेजी से बढ़ रही है। यदि अस्थिरता बहुत तेजी से बढ़ती है, तो मानक नियंत्रण क्रियाएं इसे रोकने के लिए बहुत धीमी होती हैं, और आपदा से बचने के लिए मशीन को नियंत्रित शटडाउन (बंद होने) की तैयारी करनी पड़ती है।

समस्या यह है कि इस विकास की गति की गणना करने का सबसे सटीक तरीका बहुत अधिक समय लेता है। वर्तमान स्वर्ण-मानक (गोल्ड-स्टैंडर्ड) कंप्यूटर मॉडल, जो यह सिम्युलेट करते हैं कि प्लाज्मा धातु की दीवारों और चुंबकीय कुंडलियों (कॉइल्स) के साथ कैसे परस्पर क्रिया करता है, एक एकल गणना चलाने के लिए मिनटों का समय लेते हैं। एक वास्तविक समय (रियल-टाइम) नियंत्रण प्रणाली में, जिसे हर कुछ मिलीसेकंड में निर्णय लेने की आवश्यकता होती है, मिनटों तक प्रतीक्षा करना असंभव है। वर्षों से, वैज्ञानिक तेज़, सरलीकृत मॉडलों पर निर्भर रहे हैं जो प्लाज्मा को एक ठोस, कठोर वस्तु के रूप में मानते हैं। हालांकि ये तेज़ हैं, लेकिन वे अक्सर प्लाज्मा के आंतरिक करंट के सूक्ष्म, तरल-जैसे बदलावों को पकड़ने में विफल रहते हैं जो वास्तव में यह निर्धारित करते हैं कि अस्थिरता कितनी तेजी से बढ़ेगी, विशेष रूप से भविष्य के रिएक्टरों के लिए नियोजित जटिल, उच्च-प्रदर्शन वाले आकारों में। MIT और कमनवेल्थ फ्यूजन सिस्टम्स के शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण विकसित किया है जो इस अंतर को पाटता है। उन्होंने एक परिष्कृत कृत्रिम बुद्धिमत्ता (AI) उपकरण बनाया है जो लगभग तुरंत अस्थिरता की गति की भविष्यवाणी करने के लिए धीमे, सटीक मॉडलों से सीखता है, और साथ ही यह भी मानचित्रित करता है कि प्लाज्मा ठीक कहाँ स्थानांतरित हो रहा है।

शोधकर्ताओं ने इस नए उपकरण को, जिसे वे 'फिजिक्स अटेंशन ट्रांसफॉर्मर' कहते हैं, धीमे, उच्च-सटीकता वाले मॉडलों द्वारा उत्पन्न डेटा की एक विशाल लाइब्रेरी पर प्रशिक्षित किया। इस लाइब्रेरी में एल्केटर सी-मोड (Alcator C-Mod) प्रयोग के हजारों परिदृश्य शामिल थे, जो एक वास्तविक फ्यूजन डिवाइस है जिसे बंद कर दिया गया है, साथ ही SPARC के लिए डिज़ाइन किए गए हजारों सिंथेटिक परिदृश्य भी, जो एक कॉम्पैक्ट, उच्च-क्षेत्र वाला संलयन रिएक्टर है जिसका निर्माण वर्तमान में चल रहा है। लक्ष्य यह था कि AI को प्लाज्मा की स्थिति—चुंबकीय क्षेत्रों का आकार, प्लाज्मा की स्थिति और आसपास की कुंडलियों में करंट—को देखकर तुरंत दो चीजें बताने के लिए सिखाया जाए: अस्थिरता कितनी तेजी से बढ़ रही है, और प्लाज्मा के भीतर विद्युत धाराओं के बदलने का एक विस्तृत मानचित्र। AI केवल एक संख्या का अनुमान नहीं लगाता है; यह विक्षोभ (डिस्टर्बेंस) के संपूर्ण द्वि-आयामी पैटर्न को पुनर्गठित करता है, जिससे ऑपरेटरों को न केवल यह पता चलता है कि प्लाज्मा डगमगा रहा है, बल्कि यह भी कि वह ठीक कैसे डगमगा रहा है।

जब इस नए उपकरण का परीक्षण उस डेटा पर किया गया जिसे इसने पहले कभी नहीं देखा था, तो यह उल्लेखनीय रूप से सटीक साबित हुआ। C-Mod प्रयोगों के लिए, इसने औसत त्रुटि के मात्र 5.4 यूनिट प्रति सेकंड के साथ विकास की गति की भविष्यवाणी की। अधिक चुनौतीपूर्ण, सिंथेटिक SPARC परिदृश्यों के लिए, त्रुटि 12.7 यूनिट प्रति सेकंड थी, जो अभी भी उन सरलीकृत मॉडलों की तुलना में एक महत्वपूर्ण सुधार है जो अक्सर बड़े अंतर से चूक जाते हैं। महत्वपूर्ण रूप से, उपकरण ने केवल लगभग 5 प्रतिशत की त्रुटि के साथ विक्षोभ के स्थानिक मानचित्रों (स्पेशियल मैप्स) को भी पुनर्गठित किया। यह स्तर का विवरण अत्यंत महत्वपूर्ण है क्योंकि अस्थिरता के विभिन्न आकारों के लिए अलग-अलग नियंत्रण प्रतिक्रियाओं की आवश्यकता होती है। शोधकर्ताओं ने अपने नए उपकरण की तुलना अन्य उन्नत मशीन लर्निंग विधियों से की और पाया कि यह उनसे बेहतर प्रदर्शन करता है, विशेष रूप से उन जटिल स्थानिक संरचनाओं को पकड़ने में जिन्हें सरल मॉडल छोड़ देते हैं। उपकरण ने डेटा को उसके सबसे महत्वपूर्ण तत्वों पर ध्यान केंद्रित करके एक छोटे सेट के रूप में संकुचित करना सीखकर यह गति प्राप्त की, ठीक वैसे ही जैसे कोई मानव हर एक विवरण के बजाय केवल सबसे महत्वपूर्ण तत्वों पर ध्यान केंद्रित करके एक जटिल दृश्य का सारांश प्रस्तुत करता है।

गति इस विकास का प्राथमिक चालक थी, और परिणाम एक बड़ी छलांग दिखाते हैं। जबकि पारंपरिक, उच्च-सटीकता वाले मॉडल एक एकल परिदृश्य की गणना करने में लगभग तीन मिनट लेते हैं, नया AI टूल एक मानक कंप्यूटर प्रोसेसर पर लगभग 35 मिलीसेकंड में वही गणना कर सकता है। यह 5,000 गुना से अधिक की गति वृद्धि है, जो गणना के समय को एक संलयन रिएक्टर के तीव्र निर्णय लेने वाले लूप के भीतर सहजता से फिट होने वाले पैमाने पर ले आता है। यहाँ तक कि जब शोधकर्ताओं ने उपकरण का परीक्षण SPARC रिएक्टर में अपेक्षित अधिक चरम स्थितियों पर किया—जहाँ प्लाज्मा को और भी पतला खींचा गया है और चुंबकीय क्षेत्र अधिक शक्तिशाली हैं—तब भी इसने अपनी सटीकता बनाए रखी। उपकरण इन उच्च-प्रदर्शन वाले आकारों के व्यवहार की भविष्यवाणी सटीकता के उस स्तर के साथ करने में सक्षम था जो यह सुझाव देता है कि इसका उपयोग वास्तविक समय में रिएक्टर की स्थिरता की निगरानी के लिए किया जा सकता है, जिससे संभावित समस्याओं के गंभीर होने से पहले ही नियंत्रकों को सचेत किया जा सके।

हालाँकि, शोधकर्ता सावधानी बरतते हुए नोट करते हैं कि यह उपकरण जटिल भौतिकी मॉडलों के लिए एक 'सरोगेट', या एक प्रतिनिधि है, न कि मौलिक भौतिकी के नियमों का प्रतिस्थापन। यह परिणामों की नकल करने के लिए मौजूदा मॉडलों से सीखता है, इसलिए इसकी सटीकता उस डेटा की सटीकता से जुड़ी है जिस पर इसे प्रशिक्षित किया गया है। अध्ययन यह भी रेखांकित करता है कि यह उपकरण हर स्थिति में पूर्ण नहीं है। यह तब सबसे अच्छा प्रदर्शन करता है जब प्लाज्मा की स्थितियाँ उन स्थितियों के समान होती हैं जो उसने प्रशिक्षण के दौरान देखी हैं। जब यह अत्यधिक भिन्न स्थितियों का सामना करता है, जैसे कि SPARC डिजाइन में कुछ उच्च-प्रदर्शन वाले आकार, तो उपकरण की भविष्यवाणियाँ कम निश्चित हो जाती हैं। इससे निपटने के लिए, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो स्वयं के आत्मविश्वास (कॉन्फिडेंस) को मापती है। यदि उपकरण ऐसी स्थिति का पता लगाता है जो उसके प्रशिक्षण से बहुत अलग है, तो यह भविष्यवाणी को अनिश्चित के रूप में चिह्नित कर सकता है, जिससे नियंत्रण प्रणाली को धीमे, अधिक पारंपरिक तरीकों पर भरोसा करने या सुरक्षा के लिए अधिक रूढ़िवादी दृष्टिकोण अपनाने का संकेत मिलता है।

इस कार्य के निहितार्थ केवल तेज़ गणनाओं से परे हैं। प्लाज्मा स्थिरता का एक तेज़ और विस्तृत दृश्य प्रदान करके, यह उपकरण भविष्य के रिएक्टरों को दुर्घटना के जोखिम के बिना अपने प्रदर्शन की सीमाओं के करीब संचालित करने की अनुमति दे सकता है। यह एक निरंतर निगरानीकर्ता के रूप में कार्य कर सकता है, जो स्थिरता के लिए उपलब्ध "हेडरूम" (अतिरिक्त क्षमता) पर नज़र रखता है और ऑपरेटरों को चेतावनी देता है कि यदि प्लाज्मा सुरक्षा के किनारे के बहुत करीब पहुँच रहा है। यह अधिक शक्ति उत्पन्न करने के लिए प्लाज्मा के अधिक आक्रामक आकार बनाने में सक्षम बनाएगा, जबकि सुरक्षा मार्जिन को भी बनाए रखेगा। शोधकर्ता एक ऐसे भविष्य की कल्पना करते हैं जहाँ यह उपकरण मुख्य नियंत्रण प्रणालियों के साथ मिलकर काम करेगा, जो स्थिरता का त्वरित मूल्यांकन प्रदान करेगा जो रिएक्टर के आकार और स्थिति को निर्देशित करने में मदद करेगा। हालाँकि टूल स्वयं एक महत्वपूर्ण कदम है, शोधकर्ता इस बात पर जोर देते हैं कि यह एक बड़े सुरक्षा ढांचे का हिस्सा होगा, जो संलयन रिएक्टरों के सुरक्षित और स्थिर संचालन को सुनिश्चित करने के लिए अन्य निगरानी प्रणालियों के साथ मिलकर काम करेगा।

अध्ययन ने यह भी देखा कि टूल ज्ञान को एक मशीन से दूसरी मशीन में कितनी अच्छी तरह स्थानांतरित कर सकता है। उन्होंने AI को C-Mod प्रयोग के डेटा पर प्रशिक्षित किया और इसे बिना किसी पूर्व SPARC डेटा के दिखाए, सिंथेटिक SPARC परिदृश्यों पर परखा। परिणाम मिश्रित रहे: जबकि टूल मोटे अनुमान लगा सकता था, त्रुटियाँ अधिक थीं, और इसने अक्सर SPARC स्थितियों को अनिश्चित के रूप में चिह्नित किया। यह सुझाव देता है कि जबकि टूल प्लाज्मा व्यवहार के सामान्य सिद्धांतों को सीख सकता है, उच्चतम स्तर की सटीकता प्राप्त करने के लिए इसे लक्षित मशीन के विशिष्ट डेटा की आवश्यकता होती है। यह निष्कर्ष एक व्यावहारिक मार्ग की ओर इशारा करता है: प्रारंभिक स्क्रीनिंग और निगरानी के लिए टूल का उपयोग करना, जबकि सबसे महत्वपूर्ण और चरम परिचालन स्थितियों के लिए उच्च-सटीकता वाला डेटा उत्पन्न करना जारी रखना। शोधकर्ता निष्कर्ष निकालते हैं कि यह दृष्टिकोण संलयन अनुसंधान के लिए एक शक्तिशाली नई क्षमता प्रदान करता है, जो एक ऐसी गणना को वास्तविक समय की अंतर्दृष्टि में बदल देता है जो कभी मिनटों तक चलती थी, और जो संलयन ऊर्जा के वादे को जीवित रखने में मदद कर सकती है।