gru-dw_100m_h-task-outputs
модель плазмы в токамаках
2 min readupdated
Исследователи из проекта fusion-world-model выложили чекпоинты (файлы сохранённых весов) world model для симуляции поведения плазмы в токамаках — установках для управляемого термоядерного синтеза. Модель построена на архитектуре GRU (рекуррентная нейросеть с управляемыми элементами) с бюджетом около 100 млн параметров и обучена в режиме предсказания целевых показателей задачи (recipe (h) reward-only). На выходе она прогнозирует параметры состояния плазмы на основе реальных экспериментальных данных. Разработка пригодится физикам-исследователям и инженерам, занимающимся моделированием и управлением термоядерными реакторами.
Ключевые особенности
- Архитектура GRU из 2 слоёв с dropout 0.1 и прогревом (warmup) в 4 000 шагов, общий объём — 100M параметров.
- Обучена на пяти научных базах данных по токамакам: FAIR-MAST (UKAEA), HDB5 (DB5.2.3), PR08, Open Density Limit Database (Alcator C-Mod) и базе L-H переходов TCV.
- Лучший чекпоинт
final.ptотобран из 25 конфигураций по правилам поиска, результаты отбора зафиксированы вselection.json. - В репозитории также доступны дополнительные прогоны той же конфигурации с другими сидами обучения (
seed_1.pt,seed_2.pt) для оценки воспроизводимости.
Что можно сделать
- Использовать чекпоинты
final.ptиseed_*.ptв PyTorch для воспроизведения экспериментов из научной статьи (зафиксированы под тегомpaper). - Применять модель в качестве симулятора среды (world model) при разработке и тестировании алгоритмов управления плазмой в токамаках.
- Сравнивать устойчивость прогнозов между разными сидами обучения и анализировать метрики отбора конфигураций из файла
selection.json.
Пример
В карточке модели не приведён готовый скрипт инференса, однако веса сохранены в стандартном формате PyTorch (.pt) вместе с конфигурацией config.json и манифестом контрольных сумм manifest.json. Для работы с чекпоинтом достаточно загрузить final.pt в код обучения из соответствующего научного репозитория и подать на вход последовательности параметров разряда токамака для получения прогноза целевых выходов.
Подробнее
Архитектура: 2-слойная GRU, 100M параметров, dropout 0.1, warmup 4 000 шагов.Режим обучения: recipe (h) reward-only (предсказание целевых выходов задачи).
Фиксация версии для статьи: тег
paper (коммит 0875544131275e18d1d837f5577fdea382c8ee37).Лицензия: CC BY-SA 4.0 (требуется обязательное указание авторов пяти исходных баз данных).










Comments