託卡馬克偏濾器中中性粒子發射層析成像的可見光成像診斷：一種高效的基於Transformer的替代模型
該論文提出了一種基於差分Transformer的神經網絡模型Delta-InvFormer，利用可見光相機視頻幀捕捉託卡馬克等離子體動態，預測二維光強分佈，顯著加速傳統方法並保持高精度。
來源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
核聚變作為清潔能源的重要方向，近年來取得了顯著進展。等離子體的精確觀測與控制是實現可控核聚變的核心挑戰之一。日前，來自中國的研究團隊提出了一種基於深度學習的新型模型——Delta-InvFormer，利用可見光相機視頻數據，高效預測託卡馬克偏濾器中中性粒子發射的二維光強分佈。
該模型以連續視頻幀輸入為基礎，通過差分Transformer捕捉等離子體的時空運動特徵。相比傳統方法，Delta-InvFormer採用了空間和時間差分自注意力機制，有效濾除噪聲干擾，提升特徵提取質量。隨後，這些特徵被融合為緊湊的表示，並輸入解碼器網絡生成最終分佈預測。
研究團隊基於EAST（實驗先進超導託卡馬克）裝置的真實實驗數據進行了驗證。結果顯示，Delta-InvFormer不僅顯著加速了傳統分佈預測方法（如迭代算法），還達到了具有競爭力的重建精度。這意味着，未來在聚變實驗中，深度學習模型可替代部分複雜的物理計算，實現實時監測。
該研究的源代碼已在GitHub上公開，為後續科學實驗提供了基礎工具。論文發表於arXiv，展示了計算機視覺與核聚變領域的交叉創新。