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

• Linear Digressions 回归，推出 AI agents 音频随笔新季 — ChrisGPotts · 2026-07-21
• ARISE 研究评测 45 个医疗 AI 工具，覆盖 1100 个会诊案例 — HealthcareAIGuy · 2026-07-21
• 异步 OPD 蒸馏在数学任务上提速约两倍 — _lewtun · 2026-07-21
• 一个预测建模教训：只看 R2 为什么会更糟 — mdancho84 · 2026-07-21
• Google DeepMind 分享 Project Genie 的创作者协作幕后 — alexanderchen · 2026-07-21
• Nat Lambert 反驳 RL 蒸馏直接用最强模型当老师 — natolambert · 2026-07-21

更多「研究」频道 AI 资讯 →