A novel sparse encoding algorithm is developed to detect and study plasma instabilities automatically. This algorithm, called Elastic Random Mode Decomposition, is applied to the Mirnov coil signals of a dataset of 1291 discharges of the TJ-II stellarator, enabling the identification of the Alfvénic activity. In the presented approach, each signal is encoded as a collection of basic waveforms called atoms, drawn from a signal dictionary. Then the modes are identified using clustering and correlations with other plasma signals. The performance of the proposed algorithm is dramatically increased by using elastic net regularization and taking advantage of GPU architectures. Therefore the signal size and the number of dictionary elements are no longer limiting factors for encoding complex signals. Once the modes are retrieved from the shots, standard clustering and dimensionality reduction techniques are applied to obtain a 2D map featuring of the physical mode characteristics of this subset of TJ-II shots. The clustering features consider the relationship with the plasma current , the diamagnetic energy W, and inverse square root of electron density , profiling different subtypes of Alfvénic activity. The proposed algorithm can potentially create large databases of labeled modes with unprecedented detail.
新規のスパース符号化アルゴリズムが、プラズマ不安定性を自動的に検出し研究するために開発された。このアルゴリズムはElastic Random Mode Decompositionと呼ばれ、TJ-IIステラレータの1291回の放電からなるデータセットのミルノフコイル信号に適用され、アルフヴェン活動の同定を可能にする。提示されたアプローチでは、各信号は信号辞書から取られたアトムと呼ばれる基本波形の集合として符号化される。次に、モードはクラスタリングおよび他のプラズマ信号との相関を用いて同定される。提案アルゴリズムの性能は、エラスティックネット正則化を用い、GPUアーキテクチャを活用することによって飛躍的に向上する。したがって、信号サイズと辞書要素数は、複雑な信号を符号化する際の制限因子ではなくなる。ショットからモードが取得されると、標準的なクラスタリングおよび次元削減技術が適用され、このTJ-IIショットのサブセットの物理的モード特性を特徴づける2次元マップが得られる。クラスタリング特徴は、プラズマ電流、反磁性エネルギーW、および電子密度の逆平方根との関係を考慮し、アルフヴェン活動の異なるサブタイプを特徴づける。提案アルゴリズムは、前例のない詳細さでラベル付きモードの大規模なデータベースを生成できる可能性がある。