PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02515v1physics.plasm-ph

IGNITE 토카막 월드 모델 아키텍처

IGNITE Tokamak World Model Architecture

본 논문에서는 DIII-D 국립 핵융합 연구소(DIII-D National Fusion Facility)의 10년 이상 축적된 레이블 없는 실험 데이터로부터 자기지도학습(self-supervised learning) 방식으로 학습된 핵융합 플라즈마 거동 시뮬레이션을 위한 생성형 월드 파운데이션 모델인 IGNITE를 소개합니다. IGNITE의 핵심은 주어진 구동기 궤적(actuator trajectories)으로부터 DIII-D 방전을 시뮬레이션할 수 있는 동역학 모델(dynamics model)입니다. 이러한 궤적은 직접 제공되거나 텍스트 프롬프트(prompt) 또는 원하는 실험 결과로부터 실시간으로 생성될 수 있습니다. 모델 아키텍처는 시계열과 같은 시공간 측정 데이터, 이미지 시퀀스, 고해상도 스펙트로그램 등 서로 크게 다른 시간 척도에서 수집된 다양한 입력 양식(modalities)을 임베딩(embedding)하는 여러 시공간 토크나이저로 구성됩니다. 백본(backbone)은 초기 잠재 플라즈마 상태와 구동기 궤적이 주어졌을 때 이론적으로 무한한 지평(horizon)에 걸쳐 DIII-D 방전 전체를 예측할 수 있는 자기회귀(auto-regressive) 동역학 모델로 이루어져 있습니다. IGNITE는 핵융합을 위한 효율적인 AI 기반 실험 계획 및 월드 모델링으로 나아가는 길을 열어줍니다.

arXiv:2607.11915v1physics.plasm-ph

플라즈마 진단 모델의 센서 견고성 벤치마킹: TokaMark에서의 체계적 평가

Benchmarking Sensor Robustness in Plasma Diagnostic Models: A Systematic Evaluation on TokaMark

토카막 융합 장치용 플라즈마 진단 모델은 거의 전적으로 깨끗하고 완전한 센서 데이터로 평가된다. 실제로는 융합 진단이 정기적으로 실패한다: 취득 시스템이 늦게 시작되고, 개별 센서가 고장 나며, 신호 드롭아웃이 플라즈마 붕괴가 임박할 때 정확히 집중된다. 우리는 11,573개의 MAST 샷으로 구성된 TokaMark 데이터셋을 사용하여, 물리적으로 근거 있는 여섯 가지 실패 시나리오와 세 가지 대치(imputation) 전략에 걸쳐 XGBoost, LSTM, 트랜스포머, TokaMark CNN 기준선을 평가함으로써 플라즈마 진단 ML의 최초 체계적 견고성 벤치마크를 제시한다. 아키텍처 간 표준화된 비교를 위해 견고성 점수(Robustness Score, RS)를 도입한다. 핵심 발견은 붕괴 근접 센서 실패(최종 윈도우 타임스텝에 주입된 손상)가 시퀀스 모델 성능을 붕괴시키는 반면(LSTM +212% NRMSE), 통계적 특징 모델은 비교적 안정적으로 유지된다(XGBoost +37%)는 것이다. 순방향 채움(forward-fill) 대치는 시퀀스 모델의 무작위 드롭아웃으로 인한 성능 저하를 거의 모두 제거하지만(LSTM +57%에서 ~0%로), 윈도우 끝이 손상된 경우에는 거의 도움이 되지 않는다. 실제 붕괴 타임스탬프를 이용한 샷 단위 알람 평가는 근접 센서 실패에서 LSTM 알람 탐지가 TPR=0.00으로 붕괴하는 반면, 평균 채움(mean-fill) 대치가 이를 TPR=1.00으로 복구함을 보여주며, 이는 NRMSE에서 관측된 패턴과 반대이다. 플라즈마 전류는 모든 아키텍처에서 제거 시(+73%에서 +140%) 가장 중요한 단일 진단량으로 부상한다. 코드, 데이터, 학습된 체크포인트는 https://github.com/Neerav-Gupta/tokamark-robustness 에서 이용 가능하다.