TokaMark
PulseAugur coverage of TokaMark — every cluster mentioning TokaMark across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究发现：等离子体诊断机器学习模型难以应对传感器故障
一项新研究系统地评估了托卡马克聚变装置中用于等离子体诊断的机器学习模型的鲁棒性。研究人员针对XGBoost、LSTM和Transformer模型进行了六种故障场景的测试，发现像LSTM这样的序列模型在时间窗口末期传感器数据损坏时性能会显著下降。虽然前向填充插补可以缓解随机传感器掉线问题，但对于发生在等离子体中断附近故障的有效性较低。研究还发现，在所有测试的架构中，等离子体电流是最关键的诊断指标。
-
新的基准测试揭示等离子体诊断机器学习模型难以应对传感器故障
一篇新的研究论文评估了用于托卡马克聚变装置等离子体诊断系统的机器学习模型的鲁棒性。该研究在 TokaMark 数据集上进行，针对六种模拟传感器故障场景，测试了包括 XGBoost、LSTM 和 Transformer 模型在内的各种架构。一项关键发现表明，像 LSTM 这样的序列模型特别容易在接近等离子体中断时发生的传感器故障，从而显著降低其性能，而统计模型则表现出更强的稳定性。
-
TokaMark benchmark accelerates AI for fusion energy plasma modeling
研究人员推出了 TokaMark，这是一个旨在评估用于预测聚变能源反应堆中等离子体动力学的人工智能模型的新基准。该基准利用了 MAST Tokamak 的真实实验数据，并包含 14 个涵盖各种物理机制和操作用例的不同任务。TokaMark 旨在标准化评估协议，并提供开源工具和数据集，以加速聚变能源数据驱动的人工智能方法的开发，解决当前聚变数据集稀缺和碎片化的问题。
-
TokaMind模型推动托卡马克等离子体动力学研究
研究人员推出TokaMind，一个开源的基础模型，用于托卡马克等离子体动力学。该模型采用多模态Transformer架构，并在MAST数据集的多种数据上进行了预训练，包括时间序列、2D剖面和视频。TokaMind在各种重建和预测任务上表现出色，优于现有基准，并突显了多模态预训练在聚变建模中的优势。