用于鲁棒性扰动预测的时间序列视图造造者
机器学习
2024-10-16 v1
摘要
机器学习引导的数据增强可能支持物理科学中的技术发展，如核聚变托卡马克。本文旨在研究检测扰动(即等离子体不稳定性)的问题，这些不稳定性可能导致显著损坏，影响其在实际世界中可行性所必需的可靠性和效率。机器学习(ML)预测模型在特定托卡马克中检测扰动方面显示出前景，但它们往往在针对不同机器的多样化特征和动态方面难以泛化。这限制了ML模型在不同托卡马克设计和运行条件下的有效性，成为扩大核聚变技术规模的关键障碍。鉴于数据增强在提高模型鲁棒性和可泛化性方面的成功，本研究探索了使用新型时间序列视图造造者网络生成训练数据的多样化增强或"视图"。我们的结果表明，在DisruptionBench任务中， incorporating views during training可提高AUC和F2分数，优于标准或无增强方法。这种方法代表了一种有前景的步骤，用于开发更广泛适用的ML模型进行扰动避免，这对于推进核聚变技术至关重要，最终有助于通过可靠和可持续的能源生产来应对气候变化。
引用
@article{arxiv.2410.11065,
title = {Time Series Viewmakers for Robust Disruption Prediction},
author = {Dhruva Chayapathy and Tavis Siebert and Lucas Spangher and Akshata Kishore Moharir and Om Manoj Patil and Cristina Rea},
journal= {arXiv preprint arXiv:2410.11065},
year = {2024}
}