論文の概要: Towards Transparent and Accurate Plasma State Monitoring at JET

• arxiv url: http://arxiv.org/abs/2502.12182v1
• Date: Fri, 14 Feb 2025 17:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:07:36.121835
• Title: Towards Transparent and Accurate Plasma State Monitoring at JET
• Title（参考訳）: JETにおける透過的・高精度プラズマ状態モニタリングに向けて
• Authors: Andrin Bürli, Alessandro Pau, Thomas Koller, Olivier Sauter, JET Contributors,
• Abstract要約: トカマクデバイス内のプラズマの制御とモニタリングは複雑で難しい。 破壊のようなプラズマの異常事象は定常的な動作を妨げる。 本稿では,トカマク中のプラズマ状態を透過的かつデータ駆動的に監視する手法を提案する。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License:
• Abstract: Controlling and monitoring plasma within a tokamak device is complex and challenging. Plasma off-normal events, such as disruptions, are hindering steady-state operation. For large devices, they can even endanger the machine's integrity and it represents in general one of the most serious concerns for the exploitation of the tokamak concept for future power plants. Effective plasma state monitoring carries the potential to enable an understanding of such phenomena and their evolution which is crucial for the successful operation of tokamaks. This paper presents the application of a transparent and data-driven methodology to monitor the plasma state in a tokamak. Compared to previous studies in the field, supervised and unsupervised learning techniques are combined. The dataset consisted of 520 expert-validated discharges from JET. The goal was to provide an interpretable plasma state representation for the JET operational space by leveraging multi-task learning for the first time in the context of plasma state monitoring. When evaluated as disruption predictors, a sequence-based approach showed significant improvements compared to the state-based models. The best resulting network achieved a promising cross-validated success rate when combined with a physical indicator and accounting for nearby instabilities. Qualitative evaluations of the learned latent space uncovered operational and disruptive regions as well as patterns related to learned dynamics and global feature importance. The applied methodology provides novel possibilities for the definition of triggers to switch between different control scenarios, data analysis, and learning as well as exploring latent dynamics for plasma state monitoring. It also showed promising quantitative and qualitative results with warning times suitable for avoidance purposes and distributions that are consistent with known physical mechanisms.
• Abstract（参考訳）: トカマクデバイス内のプラズマの制御とモニタリングは複雑で難しい。 破壊のようなプラズマの異常事象は定常的な動作を妨げる。 大型デバイスでは、マシンの完全性を危険にさらすことさえでき、一般に将来の発電所へのトカマクの概念の活用に関する最も深刻な懸念の1つである。 効果的なプラズマ状態モニタリングは、トカマクの運用の成功に不可欠である、そのような現象とその進化の理解を可能にする可能性を持っている。 本稿では,トカマク中のプラズマ状態を監視するための透過的およびデータ駆動手法の適用について述べる。 これまでの研究と比較すると、教師なしと教師なしの学習技術が組み合わさっている。 データセットは、JETから520名の専門家による排出で構成された。 目的は、プラズマ状態監視の文脈で初めてマルチタスク学習を活用することで、JET運用空間の解釈可能なプラズマ状態表現を提供することであった。 破壊予測器として評価すると、シーケンスベースのアプローチでは、状態ベースモデルと比較して大きな改善が見られた。 最良のネットワークは、物理的な指標と組み合わせて、近くの不安定さを考慮すれば、有望なクロスバリデーション成功率を達成した。 学習された潜伏空間の質的評価は、学習力学とグローバルな特徴の重要性に関連するパターンと同様に、操作的および破壊的領域を明らかにした。 適用された手法は、異なる制御シナリオ、データ分析、学習を切り替えるトリガーの定義に新たな可能性を提供し、プラズマ状態監視のための潜伏ダイナミクスを探索する。 また, 回避目的に適した警告時間と, 既知の物理機構に整合した分布を含む有望な定量的および定性的な結果を示した。

関連論文リスト

• Learning Plasma Dynamics and Robust Rampdown Trajectories with Predict-First Experiments at TCV [37.922926147647544]
  我々はScientific Machine Learningの最近の進歩を活用し、トカマクランプダウン中のプラズマ力学を予測するニューラルステートスペースモデル(NSSM)を開発した。 NSSMは、反応器内の5パルスのみを含む311パルスの控えめなデータセットから、ランプダウン中のプラズマ力学を効率よく学習する。 TCVによる高性能プラズマの昇圧実験では、プラズマ終端における電流とエネルギーの統計的に有意な改善が見られ、連続的な再学習による速度の向上が見られた。
  論文  参考訳（メタデータ） (2025-02-17T21:19:15Z)
• Time Series Viewmakers for Robust Disruption Prediction [0.0]
  本稿では,新たな時系列ビューメーカネットワークを用いて,トレーニングデータの多種多様な拡張や“ビュー”を生成する方法について検討する。 以上の結果から,AUC と F2 の得点は,AUC と F2 のスコアが標準的あるいは非拡張よりも向上していることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T20:23:43Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• AttentionMixer: An Accurate and Interpretable Framework for Process Monitoring [8.155472809416969]
  データ駆動型アプローチであるAttentionMixerは、エネルギー変換プラントの正確かつ解釈可能な放射モニタリングフレームワークを確立するために提案されている。 モデル精度を向上させるために、最初の技術的貢献は、空間的および時間的適応メッセージパッシングブロックの開発である。 第2の技術的コントリビューションはスパースメッセージパッシングレギュレータの実装である。
  論文  参考訳（メタデータ） (2023-02-21T03:38:37Z)
• Model Monitoring and Robustness of In-Use Machine Learning Models: Quantifying Data Distribution Shifts Using Population Stability Index [2.578242050187029]
  我々は、自律運転に関連するコンピュータビジョンの例に注目し、画像にノイズを加えることによって発生するシフトを検出することを目的としている。 人口安定指数 (PSI) を, シフトの有無, および実験結果の指標として用いた。
  論文  参考訳（メタデータ） (2023-02-01T22:06:31Z)
• Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
  実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。 従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。 しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
  論文  参考訳（メタデータ） (2021-10-17T15:21:27Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Machine Learning Methods for Monitoring of Quasi-Periodic Traffic in Massive IoT Networks [30.71111490861155]
  準周期アプリケーションを実行するIoTデバイスのトラフィックモデルを提案する。 我々は、IoTデプロイメントのネットワークパフォーマンスを監視するために、教師付きと教師なしの両方の機械学習手法を提案する。
  論文  参考訳（メタデータ） (2020-02-04T21:42:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。