快速台基稳定性替代模型的信任层：经校准的误差条、分布外警报与少样本再校准

arXiv:2611.06597v1 公告类型：新论文 摘要：线性剥离-气球模稳定性的机器学习替代模型如今可在毫秒内完成运算，但它们大多被用作点估计器：既不说明误差可能有多大，也不提示查询何时超出了训练数据的范围。对于正在设计新装置的聚变公司而言，所有关注的平衡态都在现有替代模型的训练数据范围之外，因此这才是至关重要的情形。我们提出了一种不依赖具体模型的稳定性替代模型信任层，由共形误差条、将可疑案例转交物理程序处理的分布外警报，以及利用新设计的少量模拟进行再校准的机制构成，并通过预注册假设对其进行检验。在一个包含理想磁流体力学增长率的大型类 JET 平衡态公开数据集上，误差条在分布内保持了标称覆盖率，但在等离子体形状发生偏移时覆盖率不足；对新形状进行几十次模拟，或将警报标记的案例转交处理，均可恢复覆盖率。对于电阻性 BOUT++ 替代模型，误差条在留出运行数据上仍保持校准，警报能标记训练中未出现过的托卡马克，并且可在数秒内完成运行场景扫描的筛查，而非耗费数小时。在来自 SPARC 库和 DIII-D 线圈组的平衡态上，使用我们自行生成的分级 BOUT++ 标签训练的替代模型，在未见过的平衡态上的表现优于基线；而在其他数据上训练的替代模型却对相同案例给出了相反的排序，其警报机制也拒绝处理这些案例。在构建我们自己的神经算子替代模型时，测试框架揭示了两个输入缺陷，修复后该模型弥合了与一个简单网络之间的性能差距。对于所有受测替代模型，信任层都使覆盖率保持在目标值附近，而误差条宽度则由各替代模型自身的误差决定。并非所有预注册假设都得到验证，我们报告了这些结果及所有假设的局限性。