等离子体所在人工智能算法助力等离子体关键参数剖面实时测量方面取得进展

　　近日，等离子体所EAST团队主动束光谱组在等离子体关键参数诊断研究方面取得新进展，相关研究成果发表于国际知名学术期刊Nuclear Fusion上。

　　等离子体离子温度和旋转速度是评估聚变实验的重要参数之一,对等离子体稳定性和约束性能有重要影响。如何实现等离子体离子温度和旋转速度的快速精确测量一直是聚变装置稳定高参数运行所面临的关键技术问题之一。

　　该研究基于EAST装置上的X射线晶体谱仪(XCS)获得等离子体光谱数据,并利用人工神经网络模型实现了等离子体旋转速度和离子温度剖面的快速预测。研究团队开发了深度神经网络(DNN)和卷积神经网络(CNN)两种模型,用于实时计算弦积分离子温度。通过部分的交叉验证方法，证明了模型的预测结果与目标值之间的强相关性。值得注意的是，团队所开发的神经网络模型的计算速度显著提高,超过传统方法计算速度的10倍以上。此外，模型还具备对输入数据范围和误差的自动识别能力，为提升诊断系统的智能化水平奠定了基础。最后,CNN还被用于预测弦积分旋转速度剖面和局域的离子温度剖面,验证了该模型的鲁棒性。需要指出的是,此模型算法不局限于特定的诊断系统和物理模型,可以较为快捷地移植并应用于多种诊断系统的数据分析过程。

　　等离子体所博士研究生林子超为论文第一作者,张洪明副研究员、王福地助理研究员和吕波研究员为论文的通讯作者,等离子体所是第一完成单位。上述研究工作获得国家自然科学基金和国家磁约束聚变研究专项等项目的资助。

　　论文链接：https://doi.org/10.1088/1741-4326/ad73e8

图1 神经网络预测离子温度数据与传统算法结果对比

图2 神经网络预测离子温度剖面与传统算法结果对比

　　图3 传统算法计算离子温度剖面与神经网络计算耗时对比