This work successfully generates an uncertainty-aware surrogate model of the EuroPED plasma pedestal model using the Bayesian neural network with noise contrastive prior (BNN-NCP) technique. This model is trained using data from the JET-ILW pedestal database and subsequent model evaluations, conforming to EuroPED-NN. The BNN-NCP technique has been proven to be a suitable method for generating uncertainty-aware surrogate models. It matches the output results of a regular neural network while providing confidence estimates for predictions as uncertainties. Additionally, it highlights out-of-distribution regions using surrogate model uncertainties. This provides critical insights into model robustness and reliability. EuroPED-NN has been physically validated, first, analyzing electron density with respect to increasing plasma current, , and second, validating the relation associated with the EuroPED model. This affirms the robustness of the underlying physics learned by the surrogate model. On top of that, the method was used to develop a EuroPED-like model fed with experimental data, i.e. an uncertainty aware experimental model, which is functional in JET database. Both models have been also tested in ∼50 AUG shots.
本研究では、ノイズ対比事前分布を用いたベイズニューラルネットワーク（BNN-NCP）手法を用いて、EuroPEDプラズマペデスタルモデルの不確実性を考慮したサロゲートモデルを生成することに成功した。このモデルは、JET-ILWペデスタルデータベースとその後のモデル評価からのデータを用いて訓練され、EuroPED-NNに準拠している。BNN-NCP手法は、不確実性を考慮したサロゲートモデルを生成するための適切な方法であることが実証されている。これは、通常のニューラルネットワークの出力結果と一致しつつ、予測に対する信頼度推定を不確実性として提供する。さらに、サロゲートモデルの不確実性を用いて分布外領域を浮き彫りにする。これにより、モデルの頑健性と信頼性に関する重要な洞察が得られる。EuroPED-NNは物理的に検証されており、第一に、増大するプラズマ電流 に対する電子密度 を分析し、第二に、EuroPEDモデルに関連する 関係を検証する。これは、サロゲートモデルが学習した基礎となる物理学の頑健性を裏付けるものである。その上で、この手法は実験データを入力とするEuroPED類似モデル、すなわち不確実性を考慮した実験モデルの開発に使用され、これはJETデータベースで機能する。両モデルはまた、∼50 AUGショットでもテストされている。