TokaMark 基准揭示等离子体诊断怕末端传感器损坏

Neerav Gupta · hf · 2026-07-21

这篇工作用 TokaMark 数据集系统评估了托卡马克等离子体诊断模型在传感器失效场景下的鲁棒性，数据规模为 11,573 个 MAST shots。

研究设置

• 比较模型：XGBoost、LSTM、Transformer、TokaMark CNN baseline
• 失效场景：6 种符合物理现实的传感器故障
• 填补策略：3 种插补方法
• 新指标：Robustness Score (RS)，用于跨架构对比

关键结论

• 靠近失稳时刻的传感器损坏 会显著击穿序列模型：LSTM 的 NRMSE 上升 212%，而 XGBoost 仅上升 37%，相对更稳。
• 对随机 dropout，forward-fill 几乎能消除序列模型的退化；但如果窗口末端被污染，帮助很有限。
• 在靠近失稳的故障下，LSTM 的告警检测直接掉到 TPR=0.00；改用 mean-fill 后又恢复到 TPR=1.00。
• 等离子体电流 是最关键诊断变量，移除后所有架构都明显变差，幅度约 +73% 到 +140%。

论文还提供了代码、数据和训练好的检查点。

原文链接 →

「研究」频道最新

• VidMap 用 RoMa 粗匹配全帧、精细匹配仅限关键帧 — ducha_aiki · 2026-09-11
• Bug Hunt Bench 作者补充:榜单噪声幅度约 2-3 分 — PawelHuryn · 2026-09-11
• 台球计算模型登 PNAS:二维系统已存在不可判定性,可跑通用计算机 — eigensteve · 2026-09-11
• 新研究:从仿射变换与重力线索求解绝对位姿 — ducha_aiki · 2026-09-11
• LoMa 论文发布 REALLY HardPairs 数据集,入选 ECCV 2026 — ducha_aiki · 2026-09-11
• JHU 开设全栈机器人学习课:组装机械臂、采数训练部署一条龙 — _krishna_murthy · 2026-09-11

更多「研究」频道 AI 资讯 →