论文页面 - 等离子体诊断模型中的传感器鲁棒性基准测试：在TokaMark上的系统评估

来源：https://huggingface.co/papers/2607.11915

摘要

用于托卡马克聚变装置的等离子体诊断模型几乎普遍都是在干净、完整的传感器数据上进行评估的。然而在实际中，聚变诊断设备会频繁出现故障：采集系统启动延迟、个别传感器失效、信号丢失在等离子体破裂即将发生时尤为集中。我们首次提出了一个针对等离子体诊断机器学习的系统化鲁棒性基准测试，使用包含11,573次MAST放电的TokaMark数据集，评估了XGBoost、LSTM、Transformer以及TokaMark CNN基线模型在六种物理故障场景和三种插值策略下的表现。我们引入了标准化跨架构比较的鲁棒性分数（Robustness Score, RS）。我们的核心发现是：临近破裂时的传感器故障（在最终窗口时间步注入噪声）会严重破坏序列模型性能（LSTM的NRMSE增加212%），而统计特征模型则保持相对稳定（XGBoost增加37%）。对于序列模型，前向填充插值几乎消除了随机丢失导致的所有性能下降（LSTM从+57%降至约0%），但当窗口末端被损坏时则帮助甚微。基于真实破裂时间戳的放电级报警评估显示，在临近传感器故障下，LSTM报警检测的TPR降至0.00，而均值填充插值可将其恢复至TPR=1.00，这与NRMSE中观察到的模式完全相反。在所有架构中，等离子体电流被证明是最关键的单个诊断信号（移除后NRMSE增加73%至140%）。代码、数据和训练好的检查点可在 https://github.com/Neerav-Gupta/tokamark-robustness 获取。

查看 arXiv 页面 (https://arxiv.org/abs/2607.11915) 查看 PDF (https://arxiv.org/pdf/2607.11915) GitHub3 (https://github.com/Neerav-Gupta/tokamark-robustness) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.11915)

在你的 agent 中获取此论文：

hf papers read 2607.11915

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2607.11915 即可从此页面链接。

引用此论文的数据集 1

Neerav-Gupta/tokamark-robustness-data (https://huggingface.co/datasets/Neerav-Gupta/tokamark-robustness-data)

引用此论文的 Space 0

没有 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2607.11915 即可从此页面链接。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接。