Deep Learning assisted microwave-plasma interaction based technique for plasma density estimation

要約

電子密度は、プラズマを特徴付けるための重要なパラメータです。
低温プラズマ (LTP) 分野におけるプラズマの応用と研究のほとんどは、プラズマ密度とプラズマ温度の正確な推定に基づいています。
電子密度測定の従来の方法では、任意の線形 LTP デバイスの軸方向および半径方向のプロファイルが得られます。
これらの方法には、動作範囲 (あまり広くない)、計測が煩雑、データ分析手順が複雑であるという大きな欠点があります。
この記事は、既存のプラズマ密度測定技術に関連するいくつかの課題に対処するための新しい代替アプローチとして使用できる、深層学習 (DL) 支援のマイクロ波とプラズマの相互作用に基づく非侵襲的戦略を提案しています。
プラズマからのマイクロ波散乱による電場パターンを利用して密度プロファイルを推定します。
概念実証は、低温で磁化されていない衝突プラズマで構成されるシミュレートされたトレーニング データ セットに対してテストされます。
私たちの研究では、さまざまな実験構成に対応する、$10^{16}-10^{19}$ m$^{-3}$ の範囲の異なるタイプの対称 (ガウス型) および非対称の密度プロファイルが考慮されました。
。
合成トレーニング データセットを準備する際には、ノイズの存在や測定データの量 (密対疎) などの現実の実験の問題が考慮されています。
DL ベースの技術には、プラズマ内の電子密度プロファイルを決定する機能があります。
提案された深層学習ベースのアプローチのパフォーマンスは、SSIM、RMSLE、MAPE の 3 つの指標を使用して評価されました。
得られた結果は、特定の線形プラズマ デバイスの密度の 2D 半径方向プロファイルの推定において有望なパフォーマンスを示し、プラズマ診断における提案された ML ベースのアプローチの可能性を裏付けています。

要約(オリジナル)

The electron density is a key parameter to characterize any plasma. Most of the plasma applications and research in the area of low-temperature plasmas (LTPs) are based on the accurate estimations of plasma density and plasma temperature. The conventional methods for electron density measurements offer axial and radial profiles for any given linear LTP device. These methods have major disadvantages of operational range (not very wide), cumbersome instrumentation, and complicated data analysis procedures. The article proposes a Deep Learning (DL) assisted microwave-plasma interaction-based non-invasive strategy, which can be used as a new alternative approach to address some of the challenges associated with existing plasma density measurement techniques. The electric field pattern due to microwave scattering from plasma is utilized to estimate the density profile. The proof of concept is tested for a simulated training data set comprising a low-temperature, unmagnetized, collisional plasma. Different types of symmetric (Gaussian-shaped) and asymmetrical density profiles, in the range $10^{16}-10^{19}$ m$^{-3}$, addressing a range of experimental configurations have been considered in our study. Real-life experimental issues such as the presence of noise and the amount of measured data (dense vs sparse) have been taken into consideration while preparing the synthetic training data-sets. The DL-based technique has the capability to determine the electron density profile within the plasma. The performance of the proposed deep learning-based approach has been evaluated using three metrics- SSIM, RMSLE, and MAPE. The obtained results show promising performance in estimating the 2D radial profile of the density for the given linear plasma device and affirms the potential of the proposed ML-based approach in plasma diagnostics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google