We present a new algorithm to track the amplitude and phase of rotating magnetohydrodynamic (MHD) modes in tokamak plasmas using high speed imaging cameras and deep learning. This algorithm uses a convolutional neural network (CNN) to predict the amplitudes of the n = 1 sine and cosine mode components using solely optical measurements from one or more cameras. The model was trained and tested on an experimental dataset consisting of camera frame images and magnetic-based mode measurements from the High Beta Tokamak - Extended Pulse (HBT-EP) device, and it outperformed other, more conventional, algorithms using identical image inputs. The effect of different input data streams on the accuracy of the model's predictions is also explored, including using a temporal frame stack or images from two cameras viewing different toroidal regions.
我々は、トカマクプラズマにおける回転磁気流体力学（MHD）モードの振幅と位相を、高速撮像カメラと深層学習を用いて追跡する新しいアルゴリズムを提示する。このアルゴリズムは、畳み込みニューラルネットワーク（CNN）を用いて、1台以上のカメラからの光学的測定のみに基づき、n = 1の正弦成分および余弦成分の振幅を予測する。モデルは、High Beta Tokamak - Extended Pulse（HBT-EP）装置からのカメラ画像と磁気測定値からなる実験データセットを用いて訓練およびテストされ、同一の画像入力を用いる他の従来型アルゴリズムよりも優れた性能を示した。また、時間的フレームスタックの使用や、異なるトロイダル領域を視野とする2台のカメラからの画像など、異なる入力データストリームがモデルの予測精度に与える影響についても検討する。