تواجه الشبكات الكهربائية تحديات متعددة تتطلب حلولاً مبتكرة وسريعة. في هذا السياق، يظهر نموذج TokaMind كأداة ثورية تم تصميمها للتعامل مع البيانات المعقدة من تشخيصات البلازما. يعتمد TokaMind على تصميم نموذج متعدد الوسائط (Multi-Modal Transformer) تم تدريبه بشكل مسبق على بيانات بلازما التوكاماك من جهاز MAST، وقد تفوق على الأساليب التقليدية المعتمدة على الشبكات العصبية التلافيفية (CNN).

تستند دراسة جديدة إلى مدى قدرة TokaMind على نقل معرفته إلى مجالات ذات طابع مختلف، ولكن متشابه في التركيب. من خلال تجارب منظمة عبر أربعة مجالات—تشمل تدهور المحامل الصناعي، وتدهور محركات NASA CMAPSS، واثنين من مجموعات بيانات الشبكات الكهربائية—استطاع الباحثون تعيين أربع خصائص تفضيلية لنقل المعرفة ساعدت في التفسير الفعّال لأداء TokaMind.

النتائج تشير إلى أن بيانات المزامنة الشبكية الكهربائية تتوافق بشكل مباشر مع هذا الملف المستهدف، بينما أظهرت مجموعات بيانات التدهور الصناعي أن TokaMind يمكن أن يحقق أداء مفيد حتى عند وجود وجود جزئي. على سبيل المثال، في اختبار GESL/PNNL الشهير المكون من 500 حدث، حقق TokaMind تصنيفاً بمعدل 0.837 لتصنيف الأحداث الحادة، وهو ما يعكس أنه ليس فقط القدرة الحالية للنموذج هي المحدد الرئيسي للدقة، بل هي بنية شبكة مقدّم الخدمة.

علاوة على ذلك، يُظهر استخدام مؤشرات التباطؤ الحرج (CSD) كعلامة للثقة بدلاً من علامة التصنيف إمكانية تحسين النتيجة من 0.696 إلى 0.750 مع تغطية تصل إلى 63%. وهذا يعكس مدى فعالية TokaMind في تقديم النتائج المحسّنة مقارنة بالأساليب التقليدية.

تشكل هذه النتائج أول تحقق من صحة نموذج TokaMind خارج مجال الاندماج النووي، مما يمهد الطريق لتطوير إطار عمل جديد لنقل المعرفة وتحديث بروتوكولات التقييم لمجموعات بيانات PMU متعددة المصادر، مما يمثل خطوة هامة نحو الابتكار في التعبير عن البيانات وتحليلها في مجالات متعددة.