ثورة الذكاء الاصطناعي في التنبؤ بتوازن البلازما: تقييم متقدم لنماذج التعلم العميق

تعتبر القدرة على التنبؤ بسرعة وموثوقية بتوازن البلازما أمراً حيوياً للتشغيل والتحكم في أنظمة التوكاماك (Tokamak). ومع ذلك، فإن الحلول التقليدية مثل خوارزمية جراد-شافرانوف (Grad-Shafranov) غالباً ما تكون مكلفة للغاية لاستخدامها في الزمن الحقيقي. في هذا السياق، تم تطوير إطار عمل جديد يعتمد على الذكاء الاصطناعي (AI) يتمثل في نماذج متقدمة للتنبؤ.

في هذه الدراسة، تم تقييم خمسة معماريات مختلفة من الشبكات العصبية، وهي: الشبكة متعددة الطبقات (MLP)، الشبكة التلافيفية (CNN)، شبكة الأشكال المنحنية (FNO)، المحول (Transformer)، وشبكة كوانتو (KAN). تمت الاختبارات على قاعدة بيانات تحاكي الحلول التقليدية، والتي تحتوي على 100,000 عينة مستقلة و10,000 عينة خارج نطاق البيانات المألوفة.

تحت بروتوكول موحد، تم تقييم دقة التنبؤ وكفاءة الاستدلال وقدرة النماذج على التكيف مع مختلف الظروف. ولقد أظهرت النتائج أن المحول (Transformer) حقق أفضل دقة على العينات المعروفة، بينما قدمت الشبكة التلافيفية (CNN) أفضل توازن بين الدقة والموثوقية وسرعة المعالجة، حيث وصلت مدة استجابتها إلى 0.7 مللي ثانية باستخدام TensorRT.

علاوة على ذلك، في بيانات غير مألوفة، حافظت الشبكات التلافيفية (CNN) وFNO على استقرار قوي في التوقعات، مع خطأ نسبي يتراوح بين 4%-5%، مماreveals أن النماذج ذات التحيز الاستقرائي الضعيف تؤدي إلى نتائج متدهورة بشكل كبير عند مواجهة معطيات جديدة. ومن الملاحظ أن زيادة سعة البيانات والنموذج يحسن فقط التقريب وليس الاستقراء، مما يكشف عن وجود توازن بين القدرة العامة والنموذج.

بشكل عام، توفر هذه الدراسة مرجعًا منهجيًا ومتسقًا عبر أجهزة القياس للتنبؤ القائم على الذكاء الاصطناعي، وتقدم توجيهات عملية للاختيار بين النماذج الموثوقة في التحكم بالبلازما وتشغيل تطبيقات الاندماج النووي.