📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

داخل مفاعل الاندماج النووي تحتدم بلازما — غاز مسخّن إلى ملايين الدرجات. لا نوافذ مباشرة هناك، والكاميرات والمستشعرات تتعطل بسرعة. لا يرى المهندسون سوى شظايا معلومات: بضعة مستشعرات في نقاط مختلفة. يشبه هذا محاولة فهم سيمفونية من صوت ثلاثة ميكروفونات في قاعة ضخمة.

يأخذ نموذج التعلم الآلي الجديد هذه الإشارات المقتضبة ويعيد بناء الصورة الكاملة — جميع الحقول ودرجات الحرارة والكثافات دفعة واحدة. أولاً، يضغط تاريخ القياسات عبر الزمن. هكذا يستمع المترجم إلى الكلام ويتذكر المعنى، لا الكلمات المنفردة. ثم من هذا التمثيل المضغوط، يفرد النموذج خريطة ثلاثية الأبعاد مفصلة للبلازما.

أظهرت الاختبارات على بيانات محاكاة عالية الدقة: من إشارات مستشعرات كثافة بسيطة يمكن استعادة عدة خصائص للبلازما في آن واحد. هذا ليس مجرد إكمال للصورة — النموذج يلتقط الروابط الفيزيائية بين الكميات. يمكن أن يصبح هذا النهج أساسًا لتوأم رقمي للمفاعل. يخبرنا في الزمن الحقيقي بما يحدث في الداخل، ويساعد في إبقاء البلازما مستقرة.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2607.04390

Plasma in nuclear fusion reactors is only partially observable: diagnostics are constrained by limited access, cost, and the harsh plasma environment, while high-fidelity simulations remain prohibitively costly at reactor-relevant scales to address the observability gap. This paper presents an ML model for reconstructing full-domain plasma states from a small number of accessible measurements. The model combines temporal encoding of sparse sensor histories with spatial decoding into complete plasma-field maps. Demonstrations using high-fidelity kinetic simulation data show that multiple coupled plasma quantities can be reconstructed from only a few density sensors, with robustness to sparse and randomly located probes. The approach provides a route toward diagnostic augmentation, real-time state estimation, and data-driven digital twins for fusion-relevant plasmas.