面向电网的 TokaMind：来自熔融等离子体的跨域迁移

TokaMind 是一个多模态转换器 (MMT) 基础模型，基于 MAST 的托卡马克等离子体诊断数据进行预训练，已显示在熔融基准测试中超越基于 CNN 的方法。我们探讨其学习到的表征是否能推广到物理上具有区别但结构类似的领域。通过在四个领域进行系统性实验——工业轴承退化、NASA CMAPSS 风扇退化以及两个独立的电网 PMU 数据集——我们识别出四种有助于解释 TokaMind 预训练表征最有效性的迁移特征。电网同步相量数据最直接地匹配此目标域轮廓，而工业退化数据集则表明在部分对齐情况下，TokaMind 仍可提供有用性能，尤其当任务设计和特征构建暴露物理上有意义的退化结构时。在 GESL/PNNL 500 事件基准测试中采用提供商感知评估，TokaMind 实现测试 F1 为 0.837 ± 0.040（3 个随机种子）用于严重事件分类。我们的核心发现并非整体得分：分类难度由提供商级别的电网拓扑结构决定，而非模型容量。在单窗口早期预警情境下，TokaMind 在 F1~0.889 与~0.878 方面超越 CNN 基线——这种反转在提供更多事件窗口后便消失。此外，Critical Slowing Down (CSD) 指标作为置信门而非分类标签使用，可将 F1 从 0.696 提升至 0.750（覆盖率 63%），超越 CNN 基线（0.636）在任何覆盖率水平下的表现。这些结果建立了 TokaMind 首次在核熔融之外的跨域验证，提出了多源 PMU 数据集的迁移性框架和修订后的评估协议。