托卡马克偏滤器中中性粒子发射层析成像的可见光成像诊断：一种高效的基于Transformer的替代模型
该论文提出了一种基于差分Transformer的神经网络模型Delta-InvFormer，利用可见光相机视频帧捕捉托卡马克等离子体动态，预测二维光强分布，显著加速传统方法并保持高精度。
来源arXiv Computer Vision作者: Xiao Wang, Hao Si, Qiang Chen, Yu-Xiang Zhang, Beihe Zhang, Jianhua Yang, Qingquan Yang, Dengdi Sun, Wanli Lyu, Guosheng Xu, Jin Tang
核聚变作为清洁能源的重要方向，近年来取得了显著进展。等离子体的精确观测与控制是实现可控核聚变的核心挑战之一。日前，来自中国的研究团队提出了一种基于深度学习的新型模型——Delta-InvFormer，利用可见光相机视频数据，高效预测托卡马克偏滤器中中性粒子发射的二维光强分布。
该模型以连续视频帧输入为基础，通过差分Transformer捕捉等离子体的时空运动特征。相比传统方法，Delta-InvFormer采用了空间和时间差分自注意力机制，有效滤除噪声干扰，提升特征提取质量。随后，这些特征被融合为紧凑的表示，并输入解码器网络生成最终分布预测。
研究团队基于EAST（实验先进超导托卡马克）装置的真实实验数据进行了验证。结果显示，Delta-InvFormer不仅显著加速了传统分布预测方法（如迭代算法），还达到了具有竞争力的重建精度。这意味着，未来在聚变实验中，深度学习模型可替代部分复杂的物理计算，实现实时监测。
该研究的源代码已在GitHub上公开，为后续科学实验提供了基础工具。论文发表于arXiv，展示了计算机视觉与核聚变领域的交叉创新。