A Generative Foundation Model for Multimodal Tokamak Tasks
Pubblicata su AIChronos il · fonte del · Yingshuai Ji, Haodong Feng, Guohong Deng, Gelin Bian, Yue Wang
Il paper introduce GenToka, un modello fondazionale generativo multimodale progettato per adattarsi a diverse task di tokamak senza necessità di retraining separati. Il modello estende il benchmark TokaMark includendo compiti di inversione degli attuatori e previsione delle interruzioni (disruption). Utilizzando una diffusione Transformer condizionata condivisa e codec specifici, GenToka gestisce congiuntamente segnali eterogenei come waveform, profili e campi. Gli esperimenti su dati MAST dimostrano riduzioni significative dell'errore quadratico medio normalizzato rispetto a TokaMind.
- GenToka è un modello fondazionale riutilizzabile che adatta lo schema input-output per ogni task specifico.
- Il framework gestisce sei gruppi di task su 20 esperimenti MAST, modellando segnali eterogenei in modo congiunto.
- Le prestazioni superano TokaMind con una riduzione del 4.7% sull'errore RMSE macro-averaged per i primi quattro gruppi.
- Il modello migliora l'F1 window-level dell'8.4% nel gruppo dedicato alla previsione delle interruzioni (Group 6).
- L'architettura supporta la ricostruzione dello stato del plasma, l'inferenza degli attuatori e i sistemi di allerta.
Perché conta. Questo lavoro è rilevante per gli sviluppatori di AI locale e agenti perché dimostra come un singolo modello fondazionale possa gestire task multimodali complessi con schemi variabili, riducendo la necessità di architetture monolitiche o retraining costosi per ogni configurazione specifica.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.