تتنبأ الذكاء الاصطناعي بهروب البلازما؛ حيث يستخدم معهد ماساتشوستس للتكنولوجيا وغيره من المؤسسات التعلم الآلي لتحقيق تنبؤات عالية الدقة لديناميكيات البلازما باستخدام عينات صغيرة.

إذا ذكرتَ "توكاماك" مباشرةً، فقد تشعر بغرابةٍ فيه. إذا قدّمته هكذا:يعد جهاز توكاماك أحد التقنيات المهمة التي تؤدي إلى مصدر الطاقة المثالي - طاقة الاندماج النووي.ربما تدرك في لحظة: "إذن، أنت كذلك". مع ذلك، لا يشير مصطلح "الطاقة النووية" هنا إلى الانشطار النووي في محطات الطاقة النووية، بل إلى الاندماج النووي، وهو أكثر كفاءة في استخدام الطاقة، وأكثر نظافةً وأمانًا، ولا يُنتج أي نفايات مشعة تقريبًا.

تحاكي عملية الاندماج النووي عملية توليد الطاقة داخل الشمس، حيث يتم إطلاق الطاقة عن طريق دمج النوى الخفيفة (مثل الديوتيريوم والتريتيوم) في درجات حرارة عالية للغاية.وللقيام بذلك، من الضروري "إنشاء شمس صغيرة" على الأرض.يحافظ جهاز التوكاماك على استقرار تفاعل الاندماج عن طريق احتواء البلازما بدرجة حرارة أعلى من درجة حرارة قلب الشمس في غرفة مفرغة على شكل حلقة وحصرها بمجال مغناطيسي قوي.

ومع ذلك، فإن المثل العليا مليئة بالأمل، ولكن الواقع "حساس" للغاية.بالنسبة لمفاعل توكاماك، يُعدّ انخفاض التيار في نهاية التفريغ مرحلةً بالغة الخطورة. فهو يواجه تدفقات بلازما بسرعات تصل إلى 100 كيلومتر في الثانية ودرجات حرارة تتجاوز 100 مليون درجة مئوية. خلال هذه الفترة، يخضع البلازما لتغيرات عابرة شديدة، وأي خطأ طفيف في التحكم قد يُؤدي إلى اضطرابات مدمرة، مما قد يُلحق الضرر بالجهاز.

وفي هذا السياق، استخدم فريق بحثي بقيادة معهد ماساتشوستس للتكنولوجيا (MIT) التعلم الآلي العلمي (SciML) لدمج القوانين الفيزيائية بذكاء مع البيانات التجريبية.تم تطوير نموذج مساحة الحالة العصبية (NSSM) للتنبؤ بديناميكيات البلازما أثناء عملية خفض متغير تكوين توكاماك (TCV) باستخدام كمية صغيرة من البيانات.وبالإضافة إلى المواقف غير المستقرة المحتملة، فإنه يضيف قوة أخرى إلى التحكم الآمن في إيقاف "الشمس الاصطناعية".

نُشر البحث ذو الصلة، بعنوان "تعلم ديناميكيات البلازما ومسارات الانحدار القوية باستخدام تجارب التنبؤ أولاً في TCV"، في مجلة Nature Communications.

أبرز الأبحاث:

* تم اقتراح نموذج فضاء الحالة العصبية (NSSM) الذي يجمع بين القيود الفيزيائية والطرق المعتمدة على البيانات لتحقيق التنبؤ الديناميكي عالي الدقة والمحاكاة المتوازية السريعة أثناء مرحلة خفض تفريغ التوكاماك؛
* التحقق الكامل من استقراء "التنبؤ أولاً" في تجارب TCV، وطريقة الحلقة المغلقة "التنبؤ أولاً، التجربة لاحقًا" تحقق التحقق الحقيقي من التحكم القائم على البيانات.

عنوان الورقة:
https://www.nature.com/articles/s41467-025-63917-x
تابع الحساب الرسمي ورد "توكاماك" للحصول على ملف PDF كامل

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers

مجموعة البيانات: التعلم الفعال باستخدام عينات صغيرة

تتكون مجموعة البيانات التي استخدمها فريق البحث لتدريب النموذج من 442 سجلًا حديثًا لاختبارات التفريغ من جهاز TCV. استُخدم 311 سجلًا من هذه السجلات للتدريب (منها 5 فقط ضمن نطاق الأداء العالي) و131 للتحقق. هل تشعر بمدى صغر حجم هذه المجموعة؟

وباستخدام هذه البيانات ذات النطاق الأصغر، تعلم النموذج كيفية التنبؤ بديناميكيات البلازما المعقدة وكان قادرًا على محاكاة عشرات الآلاف من مسارات الهبوط بالتوازي في الثانية على وحدة معالجة رسومية واحدة من طراز A100، مما يدل على قدراته القوية على التعلم والتنبؤ.

نموذج الفضاء العصبي للحالة: الفيزياء كالهيكل العظمي والأعصاب كالروح

يتمحور البحث حول بناء نموذج قادر على التنبؤ بدقة بالديناميكيات المعقدة للبلازما خلال مرحلة التوقف. ولتحقيق ذلك، صمم فريق البحث "نموذجًا لمساحة الحالة العصبية" يدمج الفيزياء والبيانات.

يعتمد هذا النموذج على معادلة فيزيائية صفرية الأبعاد، تصف بشكل رئيسي توازن الطاقة وتوازن الجسيمات في البلازما. ومع ذلك، يصعب نمذجة بعض المعلمات الرئيسية (مثل زمن الاحتجاز، وفقدان الإشعاع، وغيرها) بدقة باستخدام المبادئ الأولية.ولذلك، قام فريق البحث بتضمين "شبكات عصبية" في هذه الأجزاء الأساسية.يتيح هذا للنموذج تعلم هذه التأثيرات الفيزيائية التي يصعب محاكاتها من البيانات التجريبية، مثل السيارة ذاتية القيادة ذات هيكل السيارة القياسي، ولكن يتم تدريب "تجربة القيادة" الخاصة بها باستخدام بيانات الطريق في العالم الحقيقي.

على وجه التحديد، يأخذ النموذج كمدخلات سلسلة من "الإجراءات" القابلة للتحكم، مثل معدل تغير تيار البلازما وقوة حقن الشعاع المحايد. بحل نظام المعادلات التفاضلية الهجين هذا، المكون من "معادلات فيزيائية + شبكات عصبية"، يمكن للنموذج التنبؤ بالمستقبل خطوة بخطوة.

تتبع عملية تدريب نموذج فضاء الحالة العصبية (NSSM) عملية فعّالة وآلية. يتكون النموذج من دالة ديناميكية. ف_θ  ووظيفة الملاحظة ا_θ  نُعرّف النموذج، ونُجري محاكاةً استباقيةً لتوليد تنبؤات، ونُقارن هذه التنبؤات بالملاحظات التجريبية لحساب الخسارة. ثم نُحسّن معلمات النموذج باستخدام طريقة التمايز التلقائي المُرافق لـ diffrax وJAX.

جلسات تجريبية مثيرة للاهتمام وملهمة

ومن بين جميع التجارب، جاءت النتيجتان الأكثر إلهاما من التحقق من قوة "حساسية خطأ التحكم" واختبار الاستقراء "التنبؤ المسبق".يكشف الأول عن نقطة ضعف في مرحلة التباطؤ - عندما يكون هناك انحراف طفيف في الفجوة على جانب المجال العالي، فقد يتم تضخيم معدل نمو عدم الاستقرار الرأسي بأوامر من حيث الحجم، مما يؤدي إلى إثارة حدث الإزاحة الرأسية (VDE).

في رقم #81751  عند تفريغ البلازما، تؤدي هذه الظاهرة إلى انحراف مفاجئ وتوقفها. بناءً على ذلك، قدّم فريق البحث توزيعًا غير مؤكد لخطأ الفجوة في بيئة التعلم التعزيزي، بحيث يتكيف المسار بفعالية مع عدم اليقين أثناء التدريب.وتظهر النتائج أن المسار المعاد تحسينه (#82875) تظل مستقرة في ظل ظروف خطأ مماثلة.يوضح هذا التحسين قدرة النموذج على تعلم المتانة من الأخطاء الحقيقية، ويثبت أيضًا أن التحسين القائم على البيانات يمكنه في الواقع تحسين التسامح مع الأخطاء في تشغيل الجهاز في ظل القيود الأمنية.

تجربة استقراء أخرى، تسمى "التنبؤ أولاً"،يُثبت هذا إمكانية تعميم النموذج في نطاقات معلمات غير معروفة. رفع الباحثون الحد الأقصى للتيار من 140 كيلو أمبير إلى 170 كيلو أمبير، واعتمدوا كليًا على تنبؤات نموذج فضاء الحالة العصبية (NSSM) لتوليد المسارات قبل التجربة. أظهرت النتائج التجريبية اتساقًا كبيرًا بين تنبؤات النموذج للكميات الفيزيائية الرئيسية والنتائج المقاسة، وتم إنهاء التفريغ بنجاح دون أي تمزق.

رحلة جعل "الطاقة المثالية" حقيقة واقعة

يُقال إن فريق البحث يتعاون مع شركة كومنولث فيوجن سيستمز (CFS) لاستكشاف كيفية استخدام نماذج تنبؤية جديدة وأدوات مماثلة لتحسين توقع سلوك البلازما، وتجنب أعطال الآلات، وتحقيق توليد طاقة اندماج آمن. وصرح ألين وانغ، عضو الفريق، قائلاً: "نحن ملتزمون بالتغلب على التحديات العلمية لتحقيق التطبيق العملي للاندماج النووي. ورغم أن هذه ليست سوى بداية رحلة طويلة، إلا أنني أعتقد أننا أحرزنا تقدمًا جيدًا". علاوة على ذلك، تبرز ثروة من الأبحاث الجديدة في هذا المجال متعدد التخصصات.

طوّر مختبر برينستون لفيزياء البلازما (PPPL) في الولايات المتحدة الأمريكية، بالتعاون مع عدة جامعات، نموذج Diag2Diag. من خلال دراسة الارتباطات بين إشارات التشخيص من مصادر متعددة، يُمكن لهذا النموذج إعادة بناء معلمات البلازما الرئيسية افتراضيًا عند تعطل بعض المستشعرات أو محدودية الرصد، مما يُحسّن بشكل كبير قدرات المراقبة والإنذار المبكر لأجهزة الاندماج. نُشر البحث ذو الصلة، بعنوان "Diag2Diag: تشخيصات افتراضية مُمكّنة بالذكاء الاصطناعي لبلازما الاندماج"، على منصة arXiv.
عنوان الورقة:
https://arxiv.org/abs/2405.05908v2

بالإضافة إلى ذلك، اقترحت دراسة بعنوان "FusionMAE: نموذج مُدرَّب مُسبقًا واسع النطاق لتحسين وتبسيط تشخيص ومراقبة بلازما الاندماج"، نُشرت على منصة arXiv، نموذج FusionMAE، وهو نموذج مُدرَّب مُسبقًا واسع النطاق ذاتي الإشراف لأنظمة التحكم في الاندماج. يدمج هذا النموذج أكثر من 80 إشارة تشخيصية في مساحة تضمين موحدة. باستخدام بنية مُرمِّز ذاتي مُقنَّع (MAE)، يتعلم النموذج الارتباطات الأساسية بين القنوات المختلفة، مما يحقق محاذاة فعّالة لتدفقات بيانات التشخيص والتحكم. يُمهد هذا النهج الطريق لدمج نماذج الذكاء الاصطناعي واسعة النطاق في مجال طاقة الاندماج.
عنوان الورقة:
https://arxiv.org/abs/2509.12945

ليس هناك شك في أن الذكاء الاصطناعي أصبح قوة لا غنى عنها في رحلة جعل "مصدر الطاقة المثالي - طاقة الاندماج النووي" حقيقة واقعة.

مراجع:
1.https://news.mit.edu/2025/new-prediction-model-could-improve-reliability-fusion-power-plants-1007