用于核聚变等离子体破裂预测的连续卷积神经网络
机器学习
2023-12-05 v1 等离子体物理
摘要
应对气候变化的电网脱碳需要像核聚变这样可调度的无碳能源。托卡马克概念为核聚变提供了一条有前景的路径,但实施中的首要挑战之一是高能等离子体破裂的发生。在本研究中,我们深入探讨了用于预测等离子体状态结果的机器学习方法。我们的贡献有两方面:(1) 我们提出了一种连续卷积神经网络在破裂预测中的新颖应用;(2) 我们通过将我们的模型与先前离散的最先进模型进行比较,考察了连续模型相对于离散模型在破裂预测中的优缺点,并表明连续模型以更少的参数提供了显著更好的性能(受试者工作特征曲线下面积 = 0.974 对比 0.799)。
引用
@article{arxiv.2312.01286,
title = {Continuous Convolutional Neural Networks for Disruption Prediction in Nuclear Fusion Plasmas},
author = {William F Arnold and Lucas Spangher and Christina Rea},
journal= {arXiv preprint arXiv:2312.01286},
year = {2023}
}
备注
Accepted at CCAI NeurIPS 2023