机器学习辅助脉冲功率驱动等离子体的可见光光谱分析
等离子体物理
2023-09-01 v1 光学
摘要
我们使用机器学习模型从可见发射光谱中预测离子密度和电子温度，研究对象为由爆炸丝阵产生的高能量密度脉冲功率驱动铝等离子体。辐射输运模拟使用碰撞辐射代码 PrismSPECT 生成的谱发射率和不透明度值，用于确定等离子体沿光谱仪视线产生的光谱强度。光谱呈现 Al-II 和 Al-III 谱线，其线比和线宽随等离子体密度和温度变化。这些计算提供了一个 2500 规模的 400 维强度光谱合成数据集，用于训练和比较多个机器学习模型在 3 变量回归任务上的性能。AutoGluon 模型表现最佳，其密度和温度预测的 R2 分数约为 98%。较简单的模型（随机森林、k-近邻和深度神经网络）在密度和温度预测上也表现出高 R2 分数（>90%）。这些结果展示了机器学习在为脉冲功率驱动等离子体发射光谱数据提供快速或实时分析方面的潜力。
引用
@article{arxiv.2308.16828,
title = {Machine learning assisted analysis of visible spectroscopy in pulsed-power-driven plasmas},
author = {Rishabh Datta and Faez Ahmed and Jack D Hare},
journal= {arXiv preprint arXiv:2308.16828},
year = {2023}
}