論文の概要: A Generative Foundation Model for Multimodal Tokamak Tasks
- arxiv url: http://arxiv.org/abs/2611.08153v1
- Date: Thu, 05 Nov 2026 15:13:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.557875
- Title: A Generative Foundation Model for Multimodal Tokamak Tasks
- Title（参考訳）: マルチモーダルトカマクタスクのための生成基礎モデル
- Abstract要約: GenTokaは、実験トカマクの再利用、生成、多モード経路である。
データ駆動型核融合プラズマ予測と制御研究を支援するために、プラズマ状態の再構築、アクチュエータ推論、共有測定からの破壊警告をリンクする。
- 参考スコア（独自算出の注目度）: 3.9557802148705785
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Tokamak experiments record diverse measurements, including waveforms, profiles, fields, and scalars, which are used to reconstruct the plasma, forecast its evolution, recover associated control signals, and estimate disruption risk. Most models are built separately for one task and a fixed set of inputs and outputs, and each relies on a prescribed subset of diagnostics rather than structuring the full multimodal observation set to extract global, cross-signal information about the discharge. These limitations motivate a reusable foundation model that adapts to each task's input-output schema and models heterogeneous target signals jointly, rather than retraining a separate model for every configuration. In this work, we extend the TokaMark benchmark with two groups of tasks for actuator action inversion and disruption prediction, yielding 20 MAST tasks in six groups with explicit schemas and evaluation protocols. Then, we introduce GenToka, a generative tokamak foundation model that jointly generates schema-selected targets through a shared conditional diffusion Transformer, with signal-specific codecs preserving native time series, profiles, fields, and scalars; foundation pretraining and task-specific adaptation transfer cross-signal structure across all six groups. Evaluation on MAST measurements shows that GenToka reduces macro-average normalized root mean squared error relative to TokaMind by 4.7% on Groups 1-4 and by 17.7% on Group 5, and improves macro-average window-level F1 on Group 6 by 8.4% at a common validation-selected threshold. GenToka provides a reusable, generative, and multimodal pathway for experimental tokamaks, linking plasma-state reconstruction, actuator inference, and disruption warning from shared measurements to support more integrated, data-driven fusion plasma prediction and control research.
- Abstract（参考訳）: トカマク実験では、波形、プロファイル、フィールド、スカラーなどの様々な測定結果を記録し、プラズマの再構成、その進化の予測、関連する制御信号の復元、破壊リスクの推定に使用される。
ほとんどのモデルは、1つのタスクと1つの入力と出力の固定セットのために別々に構築され、それぞれのモデルは、放電に関するグローバルなクロスシグナル情報を抽出するために、完全なマルチモーダル観測セットを構築するのではなく、所定の診断サブセットに依存している。
これらの制限は、各タスクのインプット・アウトプット・スキーマに適合する再利用可能な基盤モデルを動機付け、各構成ごとに別々のモデルをトレーニングするのではなく、異種ターゲット信号を共同でモデル化する。
本研究では,TokaMarkベンチマークをアクチュエータ動作の反転と破壊予測の2つのタスク群で拡張し,明示的なスキーマと評価プロトコルを持つ6グループに20のMASTタスクを出力する。
そこで我々は,共通条件拡散変換器を用いてスキーマ選択対象を共同生成する生成的トカマク基礎モデルであるGenTokaを紹介した。
MAST測定の結果,GenTokaはTokaMindに対するマクロ平均根平均誤差を,グループ1-4で4.7%,グループ5で17.7%削減し,グループ6におけるマクロ平均窓面F1を,共通の検証選択閾値で8.4%改善した。
GenTokaは、実験用トカマクの再利用、生成、マルチモーダルな経路を提供し、プラズマ状態の再構築、アクチュエータ推論、共有計測からの破壊警告をリンクし、より統合されたデータ駆動型核融合プラズマ予測と制御研究をサポートする。
関連論文リスト
- BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。
学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。
CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
論文 参考訳（メタデータ） (2026-08-06T11:58:29Z) - Rethinking Molecular OOD Generalization via Target-Aware Source Selection [10.102858221967791]
SCOPE-BENCHは、明示的な物理化学的記述空間におけるクラスタレベルのパーティショニングに基づいて構築されたベンチマークである。
POMAは、知識伝達を検索-合成-適応パイプラインとして定式化するフレームワークである。
SCOPE-BENCHにおける最先端の3D分子モデルの予測誤差は平均5.9倍である。
論文 参考訳（メタデータ） (2026-05-13T16:09:46Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - Algebraic Diversity: Group-Theoretic Spectral Estimation from Single Observations [1.3537117504260623]
グループ平均推定器を1つのスナップショットから推定し,同値な部分空間分解とマルチスナップショット共分散推定を実現する。
我々はこれらの結果を任意の統計量に拡張し、分散は有効群順序$d_mathrmeff$によって支配される。
このフレームワークは内容よりも$structure$の情報(データオブジェクトの表現論的対称性)を活用し、シャノンの理論を補完する。
論文 参考訳（メタデータ） (2026-04-04T08:08:34Z) - TCLeaf-Net: a transformer-convolution framework with global-local attention for robust in-field lesion-level plant leaf disease detection [13.963787476506292]
Daylily-Leafは1,746枚のRGB画像と7,839個の病変からなる2つの病変レベルのデータセットである。
実地利用に最適化された変圧器・畳み込みハイブリッド検出器TCLeaf-Netを提案する。
論文 参考訳（メタデータ） (2025-12-13T15:03:48Z) - AMLNet: A Knowledge-Based Multi-Agent Framework to Generate and Detect Realistic Money Laundering Transactions [3.1459290341742676]
AMLNetは知識ベースのマルチエージェントフレームワークで、2つの調整されたユニット、規制対応トランザクションジェネレータとアンサンブル検出パイプラインを備えている。
このジェネレータはコア洗浄フェーズと高度なタイポロジーにまたがる1,090,173の合成トランザクションを生成する。
検出アンサンブルF1 0.90は、外部のSynthAMLデータセットに適応し、アーキテクチャ上の一般化性を示している。
論文 参考訳（メタデータ） (2025-09-15T05:25:46Z) - NexViTAD: Few-shot Unsupervised Cross-Domain Defect Detection via Vision Foundation Models and Multi-Task Learning [1.7603474309877931]
NexViTADは、視覚基盤モデルに基づくクロスドメイン異常検出フレームワークである。
産業的異常検出における領域シフト問題に、革新的な共有部分空間投影機構を通じて対処する。
AUCは97.5%、APは70.4%、PRは95.2%である。
論文 参考訳（メタデータ） (2025-07-10T09:29:26Z) - Multi-modal Self-supervised Pre-training for Regulatory Genome Across
Cell Types [75.65676405302105]
我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。
我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
論文 参考訳（メタデータ） (2021-10-11T12:48:44Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Feature Transformation Ensemble Model with Batch Spectral Regularization
for Cross-Domain Few-Shot Classification [66.91839845347604]
特徴抽出ネットワークの後に多様な特徴変換を行うことにより,アンサンブル予測モデルを提案する。
我々は,事前学習中に特徴行列の特異値を抑制するために,バッチスペクトル正規化項を用い,モデルの一般化能力を向上させる。
提案したモデルは、ターゲット領域で微調整して、数発の分類に対処することができる。
論文 参考訳（メタデータ） (2020-05-18T05:31:04Z)
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。