Plasma State Monitoring and Disruption Characterization using Multimodal VAEs

要約

トカマックでプラズマが破壊すると、かなりの熱と電磁負荷が周囲のデバイスコンポーネントに堆積されます。
これらの力は、プラズマ電流と磁場強度でスケーリングされ、将来のデバイスの重要な課題の1つと混乱を引き起こします。
残念ながら、混乱は完全には理解されておらず、多くの異なる根本的な原因を予測するのが困難です。
データ駆動型モデルは、それらを予測することに成功を示していますが、制限された解釈可能性のみを提供します。
一方、大規模な統計分析は、破壊的なパターンを理解するための大きな資産でした。
この論文では、データ駆動型の方法を活用して、破壊特性評価のためのプラズマ状態の解釈可能な表現を見つけます。
具体的には、潜在変数モデルを使用して、診断測定を低次元の潜在表現として表します。
変分自動エンコーダー（VAE）フレームワークの上に構築され、（1）プラズマ軌跡の連続投影のために拡張します。
（2）動作体制を分離するマルチモーダル構造。
（3）破壊的な体制に関する分離。
その後、測定データの統計的特性に基づいて、破壊率と破壊性の連続指標を特定できます。
提案された方法は、約1600のTCV放電のデータセットを使用して実証され、フラットトップの破壊または定期終端を選択します。
（1）特定された破壊リスクと他の血漿特性との相関関係に関する方法を評価します。
（2）さまざまなタイプの混乱を区別する能力。
（3）ダウンストリーム分析。
後者については、反事実的な分析を使用して、混乱に関連するパラメーターの識別に関する実証的な研究を実施します。
全体として、この方法は、解釈可能な方法での混乱への近接性の変化を特徴とする明確な動作体制を適切に識別できます。

要約(オリジナル)

When a plasma disrupts in a tokamak, significant heat and electromagnetic loads are deposited onto the surrounding device components. These forces scale with plasma current and magnetic field strength, making disruptions one of the key challenges for future devices. Unfortunately, disruptions are not fully understood, with many different underlying causes that are difficult to anticipate. Data-driven models have shown success in predicting them, but they only provide limited interpretability. On the other hand, large-scale statistical analyses have been a great asset to understanding disruptive patterns. In this paper, we leverage data-driven methods to find an interpretable representation of the plasma state for disruption characterization. Specifically, we use a latent variable model to represent diagnostic measurements as a low-dimensional, latent representation. We build upon the Variational Autoencoder (VAE) framework, and extend it for (1) continuous projections of plasma trajectories; (2) a multimodal structure to separate operating regimes; and (3) separation with respect to disruptive regimes. Subsequently, we can identify continuous indicators for the disruption rate and the disruptivity based on statistical properties of measurement data. The proposed method is demonstrated using a dataset of approximately 1600 TCV discharges, selecting for flat-top disruptions or regular terminations. We evaluate the method with respect to (1) the identified disruption risk and its correlation with other plasma properties; (2) the ability to distinguish different types of disruptions; and (3) downstream analyses. For the latter, we conduct a demonstrative study on identifying parameters connected to disruptions using counterfactual-like analysis. Overall, the method can adequately identify distinct operating regimes characterized by varying proximity to disruptions in an interpretable manner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google