論文の概要: From Forecasting to Feedback: Evaluating Learned Dynamics for Tokamak Control

• arxiv url: http://arxiv.org/abs/2611.03690v1
• Date: Tue, 27 Oct 2026 07:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 11:39:54.047684
• Title: From Forecasting to Feedback: Evaluating Learned Dynamics for Tokamak Control
• Title（参考訳）: 予測からフィードバックへ:トカマク制御のための学習力学の評価
• Abstract要約: トカマク磁気制御では、プラズマ-回路力学とアクチュエータの制約が組み合わされ、フィードバックによってエラーを増幅することができる。 我々は16の動作条件変換器を訓練し、5kサロゲートに最適化されたPPOポリシーを6つの参照解法条件に適応せずに評価する。 結合被覆D4のみが単調にクロス条件平均誤差を減少させるのに対して、D1は分布を改善するが、分布が低下する。 D2-D4は、それぞれ83.3%の条件を満たすが、平均99.0%、94.7%、90.5%の評価地平線に達する。
• 参考スコア（独自算出の注目度）: 5.941910103722609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned temporal models are moving beyond offline forecasting toward interactive environments for decision making, yet logged-trajectory accuracy need not predict closed-loop behavior under policies optimized in the learned model. This forecasting-control gap matters in tokamak magnetic control, where coupled plasma-circuit dynamics and actuator constraints can amplify errors through feedback. Using a calibrated free-boundary Grad-Shafranov solver, we collect four datasets in a 2x2 design over physics-parameter and current-reference coverage. At matched budgets of 500, 1k, 3k, and 5k rollouts, we train 16 action-conditioned Transformers; PPO policies optimized in the 5k surrogates are then evaluated without adaptation on six reference-solver conditions. Only joint-coverage D4 shows monotonically decreasing cross-condition mean error, whereas D1 improves in distribution but degrades out of distribution. Binary completion masks substantial closed-loop differences: D2-D4 each complete 83.3% of conditions, but reach on average 99.0%, 94.7%, and 90.5% of the evaluation horizon, while their worst conditions reach 94.2%, 68.2%, and 43.2%. Policies trained with action noise complete 5/24 matched conditions, compared with 19/24 under nominal training, and have a lower mean horizon-capped episode length. Based on one trained policy per configuration and one evaluation realization per condition, the results support combining prediction error, episode completion, condition-level duration, and tracking quality.
• Abstract（参考訳）: 学習された時間モデルは、意思決定のためにオフライン予測を超えて対話的な環境へと移行しているが、学習モデルに最適化されたポリシーの下では、ログ付き軌道精度はクローズドループの挙動を予測する必要はない。 この予測制御ギャップはトカマク磁気制御において重要であり、プラズマ循環力学とアクチュエータの制約がフィードバックによって誤差を増幅することができる。 キャリブレーションフリーバウンダリのGrad-Shafranovソルバを用いて、物理パラメータと電流参照カバレッジに関する2x2設計の4つのデータセットを収集する。 一致した500,1k,3k,5kの予算で、16の動作条件変換器を訓練し、5kサロゲートに最適化されたPPOポリシーを6つの基準解法条件に適応せずに評価する。 結合被覆D4のみが単調にクロス条件平均誤差を減少させるのに対して、D1は分布を改善するが、分布が低下する。 D2-D4はそれぞれ83.3%の条件を完了しているが、平均99.0%、94.7%、90.5%の評価地平線に到達し、最悪の条件は94.2%、68.2%、43.2%である。 アクションノイズで訓練されたポリシーは、5/24の条件で一致し、名目訓練中の19/24と比較して、平均地平線をカプセル化したエピソードの長さが低い。 その結果, 予測誤差, エピソード完了, 条件レベル持続時間, 追跡品質の組合せが得られた。

関連論文リスト

• SHIFT-JEV: Certified Abstention and Gain-Gated Continual Adaptation for LLM-Based Decision Models under Distribution Shift [0.589058313311494]
  ShiFT-Jevは、大規模言語モデルの監視、回避、継続的な適応手順である。 決定のリスクを不確実性、フォーマット、オプション整合性信号から評価する。 Qwen3-0.6Bでは70.5%の精度でリプレイ、LwF、EWCを上回り、各種を微調整する。
  論文  参考訳（メタデータ） (2026-10-25T14:38:40Z)
• Planning under Noise with Neural Operators [69.53338532337057]
  不確実な制御実行ノイズの下での計画には、多様な環境における信頼性の高いフィードバックポリシーが必要である。 本研究では,未知の測地における計画のための雑音認識値場を学習するニューラル演算子であるプランニング・アンダーノイズ(PUN)を紹介する。
  論文  参考訳（メタデータ） (2026-10-20T17:58:30Z)
• VeriVLA: Adaptive Test-Time Verification for Flow-Based VLAs with Latent World Models [50.77784979595945]
  トレーニング不要な2軸トリガを導入し,時間内変動とサンプル間のばらつきを測定した。 一度起動すると、JEPAベースの潜在世界モデルは、アクション条件付き将来の潜在状態を予測することによって、候補アクションチャンクをランク付けする。 提案手法は, 平均完了スコアを50.8%から65.5%に引き上げると同時に, トリガ決定毎のサンプリングと検証に326msを加算する。
  論文  参考訳（メタデータ） (2026-10-15T14:34:44Z)
• When better traffic forecasts fail to improve signal control: a layered diagnostic study of forecast-to-decision value [1.878483067939456]
  中国では,29日間にわたるXuanchengの再建需要を用いた層状診断法を用いて検討した。 我々は、点予測、共形間隔、依存認識シナリオ、および一致した閉ループコントローラを評価する。 予測値は、時間的観測可能性、行動識別可能性、動的一貫性、客観的アライメントに依存する。
  論文  参考訳（メタデータ） (2026-10-04T07:39:32Z)
• Adaptive Safety Filtering for Frozen ACC Policies via Conformal Residual Calibration [3.164099552205972]
  アダプティブRACFは94.3%のエピソード安全性を獲得し、評価されたCBF-QPベースラインよりも19.9ポイント向上した。 我々は,一段階の残留範囲を制約満足度に結びつける条件を特徴付けるとともに,観測された安全計算トレードオフを定量化する。
  論文  参考訳（メタデータ） (2026-09-28T15:29:42Z)
• Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
  我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。 畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。 その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2026-09-21T14:49:04Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
  強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。 そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。 SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
  論文  参考訳（メタデータ） (2026-08-25T14:55:24Z)
• Auditing Frontier Vision-Language Models for Trustworthy Medical VQA: Grounding Failures, Format Collapse, and Domain Adaptation [4.177028541321909]
  医療用VQAの5つの視覚言語モデル(VLM)を2つの信頼関連軸に沿って評価する。 モデルは解剖学的および病理学的ターゲットを不十分にローカライズする。 同じモデルをローカライズして回答するセルフグラウンドパイプラインは、VQAの精度を低下させる。
  論文  参考訳（メタデータ） (2026-04-30T11:11:47Z)
• Evaluating Model-Free Policy Optimization in Masked-Action Environments via an Exact Blackjack Oracle [0.40611352512781873]
  正確な動的プログラミング(DP)のオラクルは4600以上の標準決定セルから導出された。 この実験では、地上信頼行動値、最適ポリシーラベル、理論期待値(EV)が1人あたり0.00161である。 いずれの方法も重大な細胞条件の後悔を示し、ポリシーレベルのエラーを持続的に示していた。
  論文  参考訳（メタデータ） (2026-03-19T09:08:59Z)

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。