Inference of electron density and temperature has been performed using multiple, diverse sets of plasma diagnostic data at Wendelstein 7-X. Predictive models for the interferometer, Thomson scattering and helium beam emission spectroscopy (He-BES) systems have been developed within the Minerva framework and integrated into a unified model. Electron density and temperature profiles are modelled using Gaussian processes. Calibration factors for the Thomson scattering system and predictive uncertainties are considered as additional unknown parameters. The joint posterior probability distribution for the electron density and temperature profiles as well as Gaussian process hyperparameters and model parameters is explored through a Markov chain Monte Carlo algorithm. Samples from this distribution are numerically marginalised over the hyperparameters and model parameters to yield marginal posterior distributions for the electron density and temperature profiles. The profile inferences incorporate various data combinations from the interferometer and Thomson scattering as well as constraints at the limiter/divertor positions through virtual observations or edge data from He-BES. Additionally, the integration of x-ray imaging crystal spectrometer data into the model for ion temperature profiles is presented. All profiles presented in this study are inferred with optimally selected hyperparameters and model parameters by exploring the joint posterior distribution, inherently applying Bayesian Occam's razor.
Wendelstein 7-Xにおいて、複数の多様なプラズマ診断データセットを用いて電子密度と温度の推定が行われた。干渉計、トムソン散乱、ヘリウムビーム発光分光法（He-BES）システムに対する予測モデルがMinervaフレームワーク内で開発され、統一モデルに統合された。電子密度と温度プロファイルはガウス過程を用いてモデル化される。トムソン散乱システムの較正係数と予測不確実性は、追加の未知パラメータとして考慮される。電子密度と温度プロファイル、ならびにガウス過程のハイパーパラメータとモデルパラメータに対する同時事後確率分布は、マルコフ連鎖モンテカルロアルゴリズムによって探索される。この分布からのサンプルは、ハイパーパラメータとモデルパラメータに関して数値的に周辺化され、電子密度と温度プロファイルの周辺事後分布を得る。プロファイル推定には、干渉計とトムソン散乱からのさまざまなデータの組み合わせ、ならびに仮想観測またはHe-BESからのエッジデータによるリミッター/ダイバータ位置での制約が組み込まれている。さらに、イオン温度プロファイルのモデルへのX線イメージング結晶分光器データの統合が提示される。本研究で提示されるすべてのプロファイルは、同時事後分布を探索することにより最適に選択されたハイパーパラメータとモデルパラメータを用いて推定され、本質的にベイズ的オッカムの剃刀を適用している。