Kinetic equilibrium reconstruction plays a vital role in the physical analysis of plasma stability and control in fusion tokamaks. However, the traditional approach is subjective and prone to human biases. To address this, the consistent automatic kinetic equilibrium reconstruction (CAKE) method was introduced, providing objective results. Nonetheless, its offline nature limits its application in real-time plasma control systems (PCSs). To address this limitation, we present RTCAKENN, a machine learning model that approximates 7 CAKE-level output profiles, namely pressure, inverse q, toroidal current density, electron temperature and density, carbon ion impurity temperature and rotation profiles, using real-time available inputs. The deep neural network consists of an encoder layer, where the scalars and interdependent inputs such as plasma boundary coordinates and motional Stark effect data are encoded using multi-layer perceptrons (MLPs), while profile inputs are encoded by 1D convolutional layers. The encoded data is passed through a MLP for latent feature extraction, before being decoded in the decoding layers, which consist of upsampling and convolutional layers. RTCAKENN has been implemented in the DIII-D PCS and our model achieves accuracy comparable to CAKE and surpasses existing real-time alternatives. Through clever dropout training, RTCAKENN exhibits robustness and can operate even in the absence of Thomson scattering data or charge exchange recombination data. It executes in under 8 ms in the real-time environment, enabling future application in real-time control and analysis.
運動論的平衡再構築は、核融合トカマクにおけるプラズマ安定性と制御の物理解析において重要な役割を果たす。しかし、従来の手法は主観的であり、人間のバイアスを受けやすい。この問題に対処するため、一貫した自動運動論的平衡再構築（CAKE）法が導入され、客観的な結果を提供する。それでも、そのオフライン的な性質は、リアルタイムプラズマ制御システム（PCS）への応用を制限する。この制限に対処するため、我々はRTCAKENNを提示する。これは、リアルタイムで利用可能な入力を用いて、圧力、逆q、トロイダル電流密度、電子温度と密度、炭素イオン不純物の温度と回転プロファイルという7つのCAKEレベルの出力プロファイルを近似する機械学習モデルである。深層ニューラルネットワークはエンコーダ層から構成され、スカラーおよびプラズマ境界座標やモーション・スターク効果データなどの相互依存する入力は多層パーセプトロン（MLP）を用いて符号化され、プロファイル入力は1次元畳み込み層によって符号化される。符号化されたデータは、潜在特徴抽出のためにMLPを通過した後、アップサンプリング層と畳み込み層からなる復号層で復号される。RTCAKENNはDIII-D PCSに実装されており、我々のモデルはCAKEに匹敵する精度を達成し、既存のリアルタイム代替手法を凌駕する。巧妙なドロップアウトトレーニングを通じて、RTCAKENNは堅牢性を示し、トムソン散乱データや電荷交換再結合データがない場合でも動作できる。リアルタイム環境では8 ms未満で実行され、将来のリアルタイム制御および解析への応用を可能にする。