Robust Confinement State Classification with Uncertainty Quantification through Ensembled Data-Driven Methods

要約

Tokamaksの融合性能を最大化することは、高エネルギー閉じ込めに依存しており、しばしば異なる運用体制を通じて達成されます。
これらの閉じ込め状態の自動ラベル付けは、大規模な分析を有効にするため、またはリアルタイム制御アプリケーションのために重要です。
このタスクは、州に近い移行や限界シナリオで自動化することが困難になりますが、データ駆動型モデルでは多くの成功が達成されています。
ただし、これらの方法は一般に、ポイントの推定値として予測を提供し、失われた入力信号の欠落や壊れた信号を適切に扱うことはできません。
幅広い適用性を可能にするために、不確実性の定量化とモデルの堅牢性を備えた状態分類を閉じ込める方法を開発します。
TCV放電のオフライン分析、Lモード、Hモードの区別、およびその間のディザリングフェーズ（D）の際に焦点を当てています。
モデルの定式化と特徴セットの2つの軸でデータ駆動型のメソッドをアンサンブルすることを提案します。
前者は、再発性のフーリエ神経オペレーターアーキテクチャに基づいた動的定式化と、勾配ブーストされた決定ツリーに基づく静的定式化を考慮します。
これらのモデルは、診断システムまたは物理的量によって分類された複数の機能グループを使用してトレーニングされています。
302 TCV排出のデータセットは完全にラベル付けされており、公開されます。
CohenのKappa係数を使用して、予測パフォーマンスと不確実性キャリブレーションに予想されるキャリブレーションエラーを使用して定量的に評価します。
さらに、さまざまな一般的および代替シナリオ、個々のコンポーネントのパフォーマンス、分散型パフォーマンスのパフォーマンス、壊れたシグナルまたは欠落のケースを使用して、パフォーマンスについて説明し、異なる状態移行に関する条件付き平均の動作を評価します。
全体として、提案された方法は、L、D、およびHモードを高性能で区別し、欠落または壊れた信号に対処し、意味のある不確実性の推定値を提供することができます。

要約(オリジナル)

Maximizing fusion performance in tokamaks relies on high energy confinement, often achieved through distinct operating regimes. The automated labeling of these confinement states is crucial to enable large-scale analyses or for real-time control applications. While this task becomes difficult to automate near state transitions or in marginal scenarios, much success has been achieved with data-driven models. However, these methods generally provide predictions as point estimates, and cannot adequately deal with missing and/or broken input signals. To enable wide-range applicability, we develop methods for confinement state classification with uncertainty quantification and model robustness. We focus on off-line analysis for TCV discharges, distinguishing L-mode, H-mode, and an in-between dithering phase (D). We propose ensembling data-driven methods on two axes: model formulations and feature sets. The former considers a dynamic formulation based on a recurrent Fourier Neural Operator-architecture and a static formulation based on gradient-boosted decision trees. These models are trained using multiple feature groupings categorized by diagnostic system or physical quantity. A dataset of 302 TCV discharges is fully labeled, and will be publicly released. We evaluate our method quantitatively using Cohen’s kappa coefficient for predictive performance and the Expected Calibration Error for the uncertainty calibration. Furthermore, we discuss performance using a variety of common and alternative scenarios, the performance of individual components, out-of-distribution performance, cases of broken or missing signals, and evaluate conditionally-averaged behavior around different state transitions. Overall, the proposed method can distinguish L, D and H-mode with high performance, can cope with missing or broken signals, and provides meaningful uncertainty estimates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google