面向 ST40 球形托卡马克的交叉诊断推断应用可解释机器学习
等离子体物理
2024-07-29 v1 应用物理
仪器与探测器
摘要
机器学习模型在捕捉高维数据集中复杂非线性关系方面效果极佳，并能够做出准确预测。然而，其内在的“黑箱”特性使其在应用于反馈控制、医疗和金融等高风险领域时难以解释或保证“安全行为”。这一缺陷是其在众多科学和工业领域中广泛应用的重要障碁，因为模型预测的可解释性与准确性同样重要。利用最新的可解释机器学习技术，我们开发了一种方法来参数化“黑箱”模型，有效地将其转换为“灰箱”模型。我们将这一方法应用于等离子体诊断，通过创建参数化的合成软 X 射线成像—汤姆逊散射诊断器，预测从测量的软 X 射线辐射中获得的高时间分辨率电子温度和密度轮廓。我们的“灰箱”模型预测与训练好的“黑箱”模型以及多样化的等离子体条件进行了基准测试。我们的方法无模型依赖，可应用于各种机器学习架构，使模型解释的直接比较成为可能。
引用
@article{arxiv.2407.18741,
title = {Application of interpretable machine learning for cross-diagnostic inference on the ST40 spherical tokamak},
author = {Tadas Pyragius and Cary Colgan and Hazel Lowe and Filip Janky and Matteo Fontana and Yichen Cai and Graham Naylor},
journal= {arXiv preprint arXiv:2407.18741},
year = {2024}
}
备注
32 pages, 15 figures