使用多模态VAE进行等离子体状态监测与破裂表征
等离子体物理
2025-04-25 v1 计算机视觉与模式识别
机器学习
摘要
当托卡马克中的等离子体发生破裂时，大量热量和电磁载荷会沉积到周围的装置组件上。这些力随等离子体电流和磁场强度而变化，使得破裂成为未来装置面临的关键挑战之一。遗憾的是，破裂尚未被完全理解，其许多不同的潜在原因难以预测。数据驱动模型在预测破裂方面取得了成功，但其可解释性有限。另一方面，大规模统计分析对理解破裂模式极有帮助。在本文中，我们利用数据驱动方法寻找用于破裂表征的等离子体状态可解释表示。具体而言，我们使用潜变量模型将诊断测量表示为低维潜表示。我们基于变分自编码器（VAE）框架，并将其扩展以实现：（1）等离子体轨迹的连续投影；（2）用于分离运行模式的多模态结构；（3）相对于破裂模式的分离。随后，基于测量数据的统计特性，我们能够识别出破裂率和破裂度的连续指标。所提出的方法使用约1600次TCV放电的数据集进行了演示，筛选了平顶破裂或常规终止。我们从以下方面评估了该方法：（1）识别出的破裂风险及其与其他等离子体特性的相关性；（2）区分不同类型破裂的能力；（3）下游分析。对于后者，我们进行了一项演示性研究，利用类反事实分析来识别与破裂相关的参数。总体而言，该方法能够以可解释的方式充分识别以距破裂程度变化为特征的不同运行模式。
引用
@article{arxiv.2504.17710,
title = {Plasma State Monitoring and Disruption Characterization using Multimodal VAEs},
author = {Yoeri Poels and Alessandro Pau and Christian Donner and Giulio Romanelli and Olivier Sauter and Cristina Venturini and Vlado Menkovski and the TCV team and the WPTE team},
journal= {arXiv preprint arXiv:2504.17710},
year = {2025}
}