في خطوة ملهمة نحو تحسين السلامة في تكنولوجيا التوكاماك، أعلن الباحثون عن تطوير إطار عمل مبتكر للتعلم المعرفي يعتمد على تقنيات التشويش المتعددة لتحسين توقع انقطاع البلازما في EAST. يعد انقطاع البلازما تهديدًا خطيرًا، ولذا كان من الضروري الابتكار في أساليب التنبؤ الحالية.

تعتمد الأنظمة الحالية بشكل أساسي على إشارات تشخيصية زمنية، ولكن الصور المرئية تلعب دورًا هامًا من خلال تقديم معلومات مكملة حول شكل البلازما وتطور الإشعاع. رغم فوائد دمج الصور المرئية، إلا أن هذا الأسلوب يزيد من تكاليف الحساب عند الاستدلال، وهو ما تسعى هذه الدراسة إلى معالجته.

من خلال تقديم إطار عمل لتشويش المعارف متعدد الطبقات، يقوم الباحثون بتدريب نموذج مُعلم متعدد الأنماط على مجموعة بيانات EAST المتزامنة باستخدام الأشعة المرئية وأرقام زمنية. ويستخدم هذا النموذج تعلم المحولات وتقنيات متقدمة لاستنباط تمثيلات مسبقة للاشتعال.

أظهرت النتائج التجريبية على مجموعة بيانات تحتوي على 640 انقطاعًا أن هذا الإطار يحافظ على ميزات التعلم متعدد الأنماط مع تقليل تكاليف الاستدلال بشكل ملحوظ. كما تمثل هذه الطريقة خطوة فعالة نحو تحقيق توقعات دقيقة للاختلالات في EAST.

لمن يهتم بالتعمق في هذه الدراسة الفريدة، يتوفر الكود المصدري على إصدار GitHub.

ما رأيكم في هذه الاختراعات الجديدة في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.