論文の概要: SpectralTF-MAE: A Pre-trained Spectral Foundation Model for Tokamak Fusion Plasma Diagnostics

• arxiv url: http://arxiv.org/abs/2610.38593v1
• Date: Wed, 28 Oct 2026 10:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:08:12.794122
• Title: SpectralTF-MAE: A Pre-trained Spectral Foundation Model for Tokamak Fusion Plasma Diagnostics
• Title（参考訳）: トカマク核融合プラズマ診断のための事前訓練された分光基礎モデルTF-MAE
• Abstract要約: トカマクプラズマ診断のための自己監督型スペクトル基盤モデルであるSpectralTF-MAEを提案する。 このモデルは、ペア化電荷交換組換え分光法(CXRS)とX線結晶分光法(XCS)で事前訓練されている。 共有トランスフォーマーエンコーダを使用して、異なる診断モードにわたる転送可能な表現を学習する。
• 参考スコア（独自算出の注目度）: 18.374441566934145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectroscopic diagnostics provide rich information for characterizing plasma states in tokamak fusion experiments, while existing learning-based approaches are often designed for individual tasks and rely heavily on labeled data. In this work, we propose SpectralTF-MAE, a self-supervised spectral foundation model for tokamak plasma diagnostics. The model is pretrained on paired charge-exchange recombination spectroscopy (CXRS) and X-ray crystal spectroscopy (XCS) measurements through masked spectral reconstruction. To better capture diagnostically important spectral structures, we introduce a peak-aware masking strategy together with a peak-enhanced reconstruction objective, encouraging the model to focus on characteristic spectral regions. A shared Transformer encoder is employed to learn transferable representations across different diagnostic modalities. The pretrained model is further adapted to several downstream tasks, including plasma-parameter prediction, cross-diagnostic spectral generation, and spectral peak analysis. Experiments on EAST diagnostic data demonstrate that the proposed framework achieves competitive performance across different tasks and consistently benefits from self-supervised spectral pretraining. These results indicate the potential of SpectralTF-MAE as a general and transferable representation learning framework for plasma spectroscopic diagnostics.
• Abstract（参考訳）: 分光診断はトカマク核融合実験でプラズマ状態を特徴付けるための豊富な情報を提供するが、既存の学習ベースのアプローチは個々のタスクのために設計され、ラベル付きデータに大きく依存することが多い。 本研究では,トカマクプラズマ診断のためのスペクトル基盤モデルであるSpectralTF-MAEを提案する。 このモデルは、マスク付きスペクトル再構成による電荷交換組換え分光法(CXRS)とX線結晶分光法(XCS)の測定で事前訓練されている。 診断学的に重要なスペクトル構造をより正確に把握するために,ピーク対応マスキング戦略とピーク対応型再構成手法を導入し,特徴スペクトル領域に着目したモデルを提案する。 共有トランスフォーマーエンコーダを使用して、異なる診断モードにわたる転送可能な表現を学習する。 事前訓練されたモデルは、プラズマパラメータ予測、断熱スペクトル生成、スペクトルピーク解析など、いくつかの下流タスクに適応する。 EAST診断データを用いた実験により,提案手法は様々なタスクにまたがる競争性能と,自己監督型スペクトル事前学習による一貫したメリットを実証した。 これらの結果は、プラズマ分光診断のための一般かつ伝達可能な表現学習フレームワークとしてのSpectralTF-MAEの可能性を示している。

関連論文リスト

• S3C-LLM: Skill-Code Guided Agentic Language Models for Spectrum-to-Structure Elucidation [12.882727231856279]
  本稿では,S3C-LLMについて紹介する。 分子を直接予測するのではなく、S3C-LLMはモダリティ固有の分光技術を取得し、解析コードを実行して入力スペクトル上でこれらのスキルをインスタンス化し、結果のピークレベルのエビデンスと公式制約をSMILESを生成する前に統合する。
  論文  参考訳（メタデータ） (2026-08-31T14:55:32Z)
• SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
  直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。 我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。 マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
  論文  参考訳（メタデータ） (2026-05-26T13:28:57Z)
• Spectral Model eXplainer: a chemically-grounded explainability framework for spectral-based machine learning models [0.6487259764989486]
  本研究では、スペクトル分類器をエキスパートインフォームドスペクトルゾーンで説明する、ポストホックでグローバルなモデルに依存しないXAIフレームワークであるスペクトルモデルeXplainer(SMX)を紹介する。 SMXはPCAを介して各ゾーンを要約し、量子ベースの論理述語を定義し、摂動による関係を推定し、有向重み付きグラフでバッグワイズランキングを集計する。
  論文  参考訳（メタデータ） (2026-05-04T15:01:04Z)
• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• SpecCLIP: Aligning and Translating Spectroscopic Measurements for Stars [6.314253302704276]
  我々は、LLMにインスパイアされた方法論を恒星スペクトル分析に拡張する基盤モデルフレームワークであるSpecCLIPを提案する。 大規模データセットの基盤モデルをトレーニングすることで、さまざまな下流アプリケーションをサポートする堅牢で情報に富んだ埋め込みを学ぶことが私たちのゴールです。 これらのモデルを中規模ラベル付きデータセットに微調整することで、恒星パラメータ推定や化学特性決定といったタスクへの適応性が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-02T17:49:52Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。