Developing Autoencoder Models for Multi-Diagnostic Electron Density Processing in Tokamaks within a Scientific Machine Learning Framework

Kaldas, S.

doi:10.1007/s10894-026-00568-w

Developing Autoencoder Models for Multi-Diagnostic Electron Density Processing in Tokamaks within a Scientific Machine Learning Framework

2026-03-30

0

PRE

AI

DOI：10.1007/s10894-026-00568-w

原文链接

原文求助

摘要

En 中文

准确重建等离子体测量数据对于磁约束聚变装置的实时控制至关重要。这些装置中的诊断系统为物理研究和运行安全提供关键见解，但它们面临恶劣环境，强磁场、辐射和中子通量常导致数据质量下降。噪声、异常值和传感器故障使实时处理面临重大挑战，传统上需要为每个诊断设计特定算法。本研究提出了一种基于自编码器的多诊断集成方法，在科学机器学习框架下处理电子密度测量数据，该参数是运行期间需要精确控制的最为关键的参数之一。通过结合互补测量数据，如汤姆逊散射、干涉测量和偏振测量，我们的方法学习诊断间的相关性，提高了重建精度并增强了对不良数据的鲁棒性。我们研究了无监督和监督自编码器配置，使用虚拟环境生成的合成托卡马克场景进行测试。多诊断集成的程度越高，重建误差越小；除提高精度外，所提方法还能实现快速推理，适用于实时控制。该方法能够稳健重建关键等离子体参数，支持当前托卡马克的高级控制策略，并为下一代装置智能诊断系统的设计提供参考。

Keyword:

Scientific Machine Learning

Autoencoders

Integrated Data Analysis

Tokamak

Electron Density

Real-Time Control

Developing Autoencoder Models for Multi-Diagnostic Electron Density Processing in Tokamaks within a Scientific Machine Learning Framework

摘要

期刊

机构

引用论文