基于深度循环网络的 DIII-D 托卡马克全放电预测
等离子体物理
2024-04-22 v1 机器学习
摘要
尽管托卡马克是实现核聚变能源最有前景的装置之一，但在理解等离子体动力学及其控制方面仍存在关键障碍。因此，开发高质量模型以协助克服这些障碍至关重要。在本工作中，我们采用完全数据驱动的方法来学习这样一个模型。具体而言，我们利用 DIII-D 托卡马克的历史数据训练一个深度循环网络，该网络能够预测等离子体放电（或称“放电脉冲”）的完整时间演化。随后，我们研究了不同的训练和推理过程如何影响放电预测的质量与校准。
引用
@article{arxiv.2404.12416,
title = {Full Shot Predictions for the DIII-D Tokamak via Deep Recurrent Networks},
author = {Ian Char and Youngseog Chung and Joseph Abbate and Egemen Kolemen and Jeff Schneider},
journal= {arXiv preprint arXiv:2404.12416},
year = {2024}
}