PhysResNet-LM v2.1
гибридная нейросеть для проектирования катушек стеллараторов
2 мин чтенияобновлено
PhysResNet-LM v2.1 (Universal) от Oursdesvosges решает физическую задачу оптимизации магнитных систем термоядерных реакторов-стеллараторов для бенчмарка CoilStellaration от Proxima Fusion. По заданным параметрам границы плазмы модель вычисляет трёхмерные координаты магнитных катушек и токи в них. В основе лежит универсальная архитектура PhysResNet (свёрточная сеть с остаточными связями), дополненная методом Dual-Init warm-start (двойная инициализация начального приближения) и встроенным прямо в граф ONNX оптимизатором Гаусса — Ньютона / Левенберга — Марквардта с аналитическим якобианом. Главная особенность — модель в одном файле весом 41,01 МБ поддерживает все 17 топологий (от 2 до 5 периодов поля и от 4 до 8 катушек) и работает на обычном CPU без GPU. Решение пригодится исследователям в области физики плазмы, термоядерного синтеза и научного машинного обучения (SciML).
Ключевые особенности
- Универсальность топологий: один чекпоинт покрывает все 17 конфигураций
(NFP, N_c)в режимах фиксированной (fixed_shape) и изменяемой формы (variable_shape). - Нейросеть + математический солвер внутри ONNX: после оценки кандидатов сетью запускается встроенный цикл оптимизации
LMRefinerModuleна сетке 28x28x128 с масштабированием столбцов по Марквардту. - Компактный CPU-инференс: модель упакована в автономный файл
model.onnx(41,01 MiB, opset 17) подCPUExecutionProviderбез внешних файлов весов. - Высокая точность на бенчмарке: общий балл
0.9712на тестовой выборкеsplit="eval"без утечки данных при обучении.
Что можно сделать
- Рассчитывать геометрию катушек: подавать на вход коэффициенты границы плазмы (
boundary_r_cos,boundary_z_sin) и целевые метрики, чтобы получать координаты витков и значения токов. - Сравнивать подходы в SciML: использовать модель как сильный бейзлайн для бенчмарка Proxima Fusion CoilStellaration v1.0.
- Интегрировать в CPU-пайплайны: запускать быструю генерацию начальных конфигураций стеллараторов на стандартных серверах через
onnxruntime.
Пример
import numpy as np
import onnxruntime as ort
from huggingface_hub import hf_hub_download
path = hf_hub_download("Oursdesvosges/coilstellaration-phys-resnet-lm-universal", "model.onnx")
sess = ort.InferenceSession(path, providers=["CPUExecutionProvider"])
# На вход подаются boundary_r_cos, boundary_z_sin, requirement_metrics и параметры топологии
coil_x_n, coil_y_n, coil_z_n, currents = sess.run(["coil_x_n", "coil_y_n", "coil_z_n", "currents"], inputs)Подробнее
Результаты eval (CoilStellaration v1.0): общий балл 0.9712;fixed_shape — mean 0.9772 (strict feas 87.15%); variable_shape — mean 0.9653 (strict feas 84.85%).Скорость на 8 vCPU (
CPUExecutionProvider): среднее время 1897,4 мс для fixed_shape и 2623,0 мс для variable_shape.Обучение и отбор проводились строго на сплите
train (360 fixed + 450 variable границ), тестовый eval не использовался.









Комментарии