arXiv cs.AI· Yingshuai Ji, Haodong Feng, Guohong Deng, Gelin Bian, Yue Wang·· 11 小时前AI 评分31
GenToka：面向多模态托卡马克任务的生成式基础模型
A Generative Foundation Model for Multimodal Tokamak Tasks
AI 导读
GenToka 是一个生成式托卡马克基础模型，通过共享条件扩散 Transformer 联合生成按 schema 选定的目标，并用信号专用编解码器保留原始时间序列、剖面、场和标量。
正文 · AI 翻译
摘要：托卡马克实验记录了多种测量数据，包括波形、剖面、场和标量，这些数据被用于重建等离子体、预测其演化、恢复相关控制信号以及估计破裂风险。大多数模型是分别针对单一任务和一组固定的输入输出构建的，并且每个模型都依赖于一组规定的诊断子集，而不是对完整的多模态观测集进行结构化处理，以提取关于放电的全局、跨信号信息。这些局限性促使人们需要一个可复用的基础模型，它能够适应每个任务的输入输出模式，并联合建模异构目标信号，而不是为每种配置重新训练一个单独的模型。在这项工作中，我们扩展了 TokaMark 基准，增加了两组用于执行器动作反演和破裂预测的任务，从而在六个组中产生了 20 个 MAST 任务，并具有明确的模式和评估协议。然后，我们介绍了 GenToka，一个生成式托卡马克基础模型，它通过一个共享的条件扩散 Transformer 联合生成模式选定的目标，并使用信号特定的编解码器保留原生时间序列、剖面、场和标量；基础预训练和任务特定的适应在所有六个组之间传递跨信号结构。在 MAST 测量数据上的评估表明，与 TokaMind 相比，GenToka 在第 1-4 组上将宏平均归一化均方根误差降低了 4.7%，在第 5 组上降低了 17.7%，并在一个通用的验证选定阈值下将第 6 组的宏平均窗口级 F1 提高了 8.4%。GenToka 为实验托卡马克提供了一条可复用、生成式和多模态的途径，将等离子体状态重建、执行器推断和破裂预警从共享测量数据中联系起来，以支持更集成、数据驱动的聚变等离子体预测和控制研究。
| 主题： | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| 引用为： | arXiv:2611.08153 [cs.AI] |
| （或此版本的 arXiv:2611.08153v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.08153 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haodong Feng [查看电子邮件]
[v1]
2026 年 11 月 5 日星期四 15:13:48 UTC（2,714 KB）
来源：arXiv cs.AI · arxiv.org