草案

本文为标准规范草案（征求意见前工作稿），经专家委员会审定、由聚变科学数据中心（筹）发布后方生效。对齐误差上限为初值，按各诊断的标定记录与试行结果定版。

前言 (Foreword)

本文件按「单位标准保底」的层级起草，由聚变科学数据中心（筹）发布；拟同步申报团体标准（发布主体为相关全国性学会或行业协会）。本文件对应聚变高质量数据集专项标准规范清单第 5 项（加工类）。

本文件解决两件事：什么算一种「模态」、什么算一个「多模态条目」。托卡马克单次放电即同步产生多种诊断数据，若「含两种诊断即为多模态」，几乎所有放电样本都自动满足，多模态占比失去约束力；本文件因此按诊断类型认定模态，并为多模态条目设最低要求。

范围 (Scope)

本文件规定了按诊断类型划分的模态分类、统一时基与仪器延迟标定方法、粗大错位复核、多模态条目的装配与最低要求、对齐误差上限及其记录。

本文件适用于装置实验数据的多诊断对齐，以及时序、图像与文本之间的配对；适用于预训练、指令微调与基准测试数据集中多模态条目的认定与计数。

规范性引用文件 (Normative References)

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。

• 《聚变科学数据元数据规范》
• 《聚变实验与模拟数据质量评估规范》
• 《聚变领域指令数据构造规范》

术语和定义 (Terms and Definitions)

模态 (modality) 一种诊断类型产生的数据；自然语言语料另为一种模态。

统一时间基准 (unified timebase) 以放电触发时刻为零点的时间轴。

仪器时基偏差 (instrumental timebase offset) 采集系统的时钟与触发相对统一时间基准的偏差，含触发延迟与时钟漂移；可标定、须校正。

物理响应时间差 (physical response lag) 不同诊断对同一物理事件的响应在物理上的先后（如热猝灭先于电流猝灭）；只记录、不校正。

粗大错位 (gross misalignment) 毫秒级以上、由通道接错、触发漏记或时钟跳变造成的错位。

有效数据 (valid data) 在条目时间窗内通过了标定、单位与数据质量检查的诊断数据，而非仅有通道存在。

多模态条目 (multimodal entry) 满足 多模态条目的最低要求 (Minimum Requirements for Multimodal Entries) 最低要求的条目。

模态分类 (Modality Classification)

模态按诊断类型划分（表 1）。本表为初版，建设期内随诊断清单修订。

表 1　诊断类型（模态）分类。

类别	典型诊断或来源	主要物理量	数据形态	是否计为模态
磁测量	罗氏线圈、磁探针阵列、磁通环、抗磁环	等离子体电流、极向磁场与磁通、抗磁储能、磁扰动	多通道高速时序	是
密度诊断	激光干涉仪与偏振干涉仪、微波反射计；电磁逆散射所用的微波测量	线积分密度、密度剖面与涨落	多弦、多频点时序	是
温度与旋转诊断	汤姆逊散射、电子回旋辐射、电荷交换复合光谱	电子与离子温度剖面、等离子体旋转	脉冲式剖面序列与多通道时序	是
辐射与光谱诊断	辐射量热阵列、软 X 射线阵列、可见与真空紫外光谱	辐射功率分布、内部扰动、杂质与再循环、谱线	阵列时序与谱图	是
波动与散射谱诊断	相干散射类诊断及其他给出频谱、散射谱的波动测量	密度涨落与波动的频谱、散射谱及其提取的诊断参数	高采样率时序、频谱与谱图	是
粒子与核测量	中子通量测量、快离子测量	中子产额、快离子行为	计数与通量时序	是
相机图像	可见光高速相机、红外相机	等离子体与壁相互作用形貌、表面温度分布	图像序列	是
自然语言	实验记录、事件描述与文献文本	——	文本	是
控制与执行器信号	等离子体控制指令与反馈、电源、加热与电流驱动功率、加料	控制量与执行器状态	时序	否（条目的伴随通道，测算占比时不计）
分析与模拟结果	平衡重建、剖面反演、谱解析与融合反演结果、物理程序输入输出	派生物理量	剖面、二维分布与时序	否（派生数据，不单独计为模态）

诊断的类别归属必须 (MUST) 记入信号层元数据（《聚变科学数据元数据规范》）。

对齐方法 (Alignment Method)

对齐分四步，各步结果必须 (MUST) 写入条目元数据与对齐记录。

1. 时基统一. 以放电触发时刻为零点建立统一时间轴。每个通道的时间轴由「起始时刻、采样周期、触发延迟、漂移校正」描述，取值必须 (MUST) 来自各诊断采集系统的时钟与触发标定记录。相机帧的时间戳统一取曝光中点。
2. 仪器延迟标定. 以同步测试——把同一参考信号同时注入各采集系统，或令各系统共用同一触发—— 测出各通道相对统一时间基准的仪器时基偏差与漂移，写入标定记录并按实验轮次管理版本。长脉冲放电 必须 (MUST) 按时段分段给出漂移校正。
3. 粗大错位复核. 选取在多种诊断上同时留下陡变特征的物理事件（如破裂时的电流猝灭、锯齿崩塌、弹丸注入），以互相关核对通道之间是否存在粗大错位。互相关结果禁止 (MUST NOT) 用于修正仪器延迟；物理响应时间差记入条目元数据、不校正。发现粗大错位的通道进入「时基待核实」清单，交诊断负责人确认，禁止 (MUST NOT) 自动改写。
4. 保留原生采样与条目装配. 对齐禁止 (MUST NOT) 把所有通道强制重采样到单一采样率，而是保存「原始数据 + 时间轴描述 + 对齐映射」。训练任务需要统一采样率时，按目标窗口做带抗混叠的降采样或插值，所用方法写入条目。按事件或固定窗口切片，同一窗口内满足最低要求者装配为多模态条目。文本一侧经炮号、时间与实体链接与对应时段的时序和图像配对；文献图与图注按文档结构配对。

诊断标定更正引发重标定的，受影响的对齐映射与多模态条目必须 (MUST) 标为「待重算」。

多模态条目的最低要求 (Minimum Requirements for Multimodal Entries)

同时满足下列三条的条目方计为多模态条目：

1. 模态数. 含不少于 3 类诊断的有效数据；或含不少于 2 类诊断的有效数据，并配有与之对应的文本（实验记录、事件描述或分析说明）。
2. 统一时基. 条目内各模态已统一到同一放电时间基准，时间轴、触发延迟修正值与修正依据写入条目元数据。
3. 仪器时基偏差上限. 条目内各诊断的仪器时基偏差经标定后，不超过「该诊断 1 个采样周期」与标定能力下限（随同步测试确定，写入条目元数据）两者中的较大者；图像帧以帧曝光中点时刻对齐。

不满足上述要求的条目可以 (MAY) 入集，但按单模态条目计。未通过物理侧一致性检验的条目 禁止 (MUST NOT) 计为多模态条目（《聚变实验与模拟数据质量评估规范》）。

指令条目从严. 指令微调数据的条目计为多模态条目，上下文须含不少于 2 类诊断的原始数据片段 （数值片段或图像，以附件或工具调用返回的形式进入条目）并配有文本，且满足上述三条。文本化摘要 不计为诊断模态：特征量序列、事件清单一经写成文字，即为自然语言。控制与执行器信号不计为模态。

对齐记录 (Alignment Records)

每个多模态条目必须 (MUST) 记录：各通道的仪器时基偏差及其标定版本、触发延迟修正值与依据、物理响应时间差（如有）、重采样方法（如有）、对齐残差、所含模态类别与条目时间窗。超出上限的条目 禁止 (MUST NOT) 计入多模态条数。多模态条目占比按条数核算，按数据集分别计算并给出合计。

符合性 (Conformance)

多模态条目符合本文件，当且仅当：模态按 表 1 认定、三条最低要求全部满足、对齐记录齐备，且对齐过程未以互相关结果改写仪器延迟。