基于等离子体层析的深度学习用于破裂前兆分析
神经元与认知
2023-02-07 v3 人工智能
机器学习
摘要
JET基线场景正被开发以实现高聚变性能与持续聚变功率。然而，随着等离子体电流与输入功率的升高，脉冲破裂率出现上升。尽管可能的破裂原因广泛，当前的破裂似乎与辐射现象（如杂质积累、核心辐射与辐射崩溃）密切相关。在本工作中，我们聚焦于辐射计层析以重建等离子体辐射剖面，并在此基础上应用异常检测来识别大破裂前的辐射模式。该方法广泛利用机器学习。首先，我们训练一个基于矩阵乘法的等离子体层析代理模型，提供快速方法以计算任意给定脉冲全程的等离子体辐射剖面。随后，我们训练一个变分自编码器，通过将辐射剖面编码为潜变量分布再解码来复现它们。作为异常检测器，变分自编码器难以复现异常行为，其中包括实际破裂及其前兆。这些前兆基于对在JET最近两次活动中所有基线脉冲的异常分数分析得以识别。
引用
@article{arxiv.2009.02707,
title = {Synthesising Realistic Calcium Traces of Neuronal Populations Using GAN},
author = {Bryan M. Li and Theoklitos Amvrosiadis and Nathalie Rochefort and Arno Onken},
journal= {arXiv preprint arXiv:2009.02707},
year = {2023}
}