We explore transfer learning approaches to extend data-driven pedestal models trained on deuterium (D) plasmas to tritium (T) and DT mixtures. Specifically, we use models pre-trained on JET D pulses, and JET T/DT data for the transfer learning. We use model interpretability to guide our choice of transfer learning strategy. Analysis of model behavior post transfer learning reveals that sparsity and multicollinearity in the T/DT data lead to severe overfitting when fine-tuning the weights of the pre-trained neural network-based models. Therefore, we instead use a more robust and simple output calibration approach to facilitate the impact of isotope composition. This yields models with between 0.66-0.87, performing significantly better than uncalibrated models though not matching the original D-only performance. The scaling coefficients obtained qualitatively agree with previous research, namely that the pedestal density scales positively with increased isotope mass, while pedestal temperature exhibits a weak negative scaling with isotope mass. This work highlights the importance of understanding model behavior in transfer learning to ensure reasonable functional mappings, which is particularly relevant for fusion research where sparse, multicollinear data are encountered.
我々は、重水素(D)プラズマで訓練されたデータ駆動型ペデスタルモデルをトリチウム(T)およびDT混合プラズマに拡張するための転移学習アプローチを探索する。具体的には、JET Dパルスで事前訓練されたモデルと、転移学習のためのJET T/DTデータを使用する。我々は、転移学習戦略の選択を導くためにモデル解釈可能性を用いる。転移学習後のモデル挙動の分析により、T/DTデータにおけるスパース性と多重共線性が、事前訓練されたニューラルネットワークベースのモデルの重みを微調整する際に深刻な過学習を引き起こすことが明らかになる。したがって、我々は代わりに、より頑健で単純な出力較正アプローチを用いて、同位体組成の影響を扱いやすくする。これにより、0.66-0.87の間のR²を持つモデルが得られ、未較正モデルよりも有意に優れた性能を示すが、元のDのみの性能には及ばない。得られたスケーリング係数は定性的に先行研究と一致する。すなわち、ペデスタル密度は同位体質量の増加に伴って正にスケーリングし、ペデスタル温度は同位体質量に対して弱い負のスケーリングを示す。本研究は、妥当な関数マッピングを保証するために転移学習におけるモデル挙動を理解することの重要性を強調する。これは、スパースで多重共線性のあるデータに遭遇する核融合研究において特に重要である。