面向非平稳数据流的不确定性引导在线集成：在核聚变科学中的应用
机器学习
2025-11-05 v1 人工智能
等离子体物理
摘要
机器学习（ML）将在开发和运行下一代核聚变装置方发挥关键作用。核聚变数据显示非平稳行为，呈分布漂移，源于实验演变和机器磨损。ML模型假设平稳分布，在面对此类非平稳数据流时难以维持性能。虽然已在其他领域中利用在线学习技术，但在核聚变应用中仍基本未被探索。本文提出将在线学习应用于持续适应漂移数据流，以预测DIII-D核聚变设施的扭转场（TF）线圈偏斜。结果表明，在线学习对于维持ML模型性能至关重要，可将错误降低80%。此外，传统在线学习因缺乏预测前的真实值，可能导致短期性能下降。因此，我们提出一种不确定性引导的在线集成方法以进一步提高性能。采用深度高斯过程近似（DGPA）技术进行校准的不确定性估计，并将不确定性值用于指导元算法，该算法基于在不同历史时段训练的学习者集合生成预测。DGPA还提供预测及其不确定性估计，供决策者使用。该在线集成和提出的不确定性引导在线集成分别将预测误差降低约6%和10%，相对于基于标准单一模型的在线学习。
引用
@article{arxiv.2511.02092,
title = {Uncertainty Guided Online Ensemble for Non-stationary Data Streams in Fusion Science},
author = {Kishansingh Rajput and Malachi Schram and Brian Sammuli and Sen Lin},
journal= {arXiv preprint arXiv:2511.02092},
year = {2025}
}
备注
24 pages including total of references, 2 appendices, 7 Figures (5 in main article, 2 in appendix A)