基于带注意力机制序列到序列神经网络的等离子体约束模式分类
等离子体物理
2021-05-26 v1
摘要
在典型的聚变实验中，等离子体可能具有若干种可能的约束模式。在 TCV 托卡马克上，除低约束(L)模式和高约束(H)模式外，还经常观测到一种额外的模式——抖动(D)模式。开发能够自动识别这些模式的方法被认为对未来托卡马克运行十分重要。先前基于深度学习方法（特别是卷积循环神经网络(Conv-RNNs)）的研究表明它们是合适的途径。然而，那些模型对标签时间对齐中的噪声敏感，并且该模型尤其局限于仅依据自身隐藏状态及每一步的输入做出独立判断。本工作中，我们提出了一种带注意力的序列到序列神经网络模型架构，可同时解决上述两个问题。利用经过精细标定的数据集，我们将 Conv-RNN 与所提序列到序列模型的性能进行比较，得到两点结果：其一，Conv-RNN 可通过新数据得到改进；其二，序列到序列模型可进一步改善结果，在训练与测试数据上均取得优异分数。
引用
@article{arxiv.2012.02114,
title = {Plasma Confinement Mode Classification Using a Sequence-to-Sequence Neural Network With Attention},
author = {Francisco Matos and Vlado Menkovski and Alessandro Pau and Gino Marceca and Frank Jenko},
journal= {arXiv preprint arXiv:2012.02114},
year = {2021}
}