基于迁移学习的集体与非集体 Thomson 散射光谱分析
等离子体物理
2025-12-23 v1
摘要
Thomson 散射（TS）诊断提供了可靠且最小扰动的测量基本等离子体参数（如电子密度 和电子温度 ）的手段。深度神经网络可以在TS光谱被噪声主导或需要实时操作时，比传统拟合算法更准确地估计 和 。尽管深度神经网络通常需要大量训练数据，但迁移学习可以通过利用来自相关源任务的预训练模型，仅利用目标任务中有限的数据即可提高模型在目标任务上的性能，其中选取的隐藏层可进一步使用目标数据进行训练。我们提出了五种结构多样的深度神经网络，这些网络在合成TS数据上进行预训练，并适用于实验测量的TS数据，以评估迁移学习在估计 和 的集体散射和非集体散射 regimes 中的有效性。我们评估了在训练集大小为不同值时，带和不使用迁移学习训练的模型在 和 估计中的误差，并观察到当训练集包含约200个实验测量光谱时，迁移学习可降低模型误差。
关键词
引用
@article{arxiv.2512.18173,
title = {Transfer Learning for Analysis of Collective and Non-Collective Thomson Scattering Spectra},
author = {T. Van Hoomissen and J. Alhuthali and A. M. Ortiz and D. A. Mariscal and R. S. Dorst and S. Eisenbach and H. Zhang and J. J. Pilgram and C. G. Constantin and L. Rovige and C. Niemann and D. B. Schaeffer},
journal= {arXiv preprint arXiv:2512.18173},
year = {2025}
}
备注
13 pages, 8 figures