Reconstructing fast-ion velocity distributions from collective Thomson scattering (CTS) spectra is an ill-posed inverse problem due to the spectral nonlinearity, strong parameter coupling and measurement noise. To mitigate the ill-posed problems in single-view inversions, a hybrid spectrum–parameter conditioned encoder (HSPCE) is proposed to reconstruct two-dimensional (2D) fast-ion velocity distributions based on the electromagnetic forward model. For feasibility validation, one-dimensional (1D) inversion is firstly carried out using an electrostatic CTS model under HL-3 operating parameters. Compared with the least squares with nuisance parameters (LSN), the machine-learning approach demonstrates markedly improved robustness and accuracy, maintaining an R2 of 0.985 with 10% Gaussian noise. Extending to 2D, the velocity distribution is represented as an image and reduced in dimensionality through principal component analysis (PCA), with additional soft constraints applied in both coefficient and pixel spaces to preserve physical consistency. Benchmarking against the 1D baseline model, HSPCE shows that the higher structural similarity (SSIM) and lower normalized root mean square error (NRMSE) with different Gaussian noise, with 0.930 and 0.043 at noise level of 0.1 respectively. Further analysis indicates that the fraction of fast ions plays an important role in enabling the network to extract reliable fast-ion information, with higher fractions yielding clearer reconstructions and reduced uncertainty. Overall, the proposed framework suggests that neural networks offer a promising and robust approach for improving the interpretability and reliability of fast-ion diagnostics based on CTS in magnetically confined plasmas.
集団トムソン散乱（CTS）スペクトルから高速イオン速度分布を再構成することは、スペクトルの非線形性、強いパラメータ結合、および測定ノイズのために、不良設定の逆問題である。単一視線逆変換における不良設定問題を緩和するために、電磁順モデルに基づいて二次元（2D）高速イオン速度分布を再構成するハイブリッドスペクトル・パラメータ条件付きエンコーダ（HSPCE）が提案される。実現可能性の検証のため、一次元（1D）逆変換がまずHL-3運転パラメータの下で静電CTSモデルを用いて実施される。局外パラメータ付き最小二乗法（LSN）と比較して、機械学習アプローチは、10%のガウスノイズの下でR2 = 0.985を維持しながら、ロバスト性と精度が著しく向上することを実証する。2Dに拡張すると、速度分布は画像として表現され、主成分分析（PCA）によって次元削減される。さらに、物理的一貫性を保つために、係数空間とピクセル空間の両方に追加のソフト制約が適用される。1Dベースラインモデルとのベンチマーク比較において、HSPCEは異なるガウスノイズに対してより高い構造類似性（SSIM）とより低い正規化二乗平均平方根誤差（NRMSE）を示し、ノイズレベル0.1ではそれぞれ0.930および0.043である。さらなる解析は、高速イオンの割合が、ネットワークが信頼できる高速イオン情報を抽出することを可能にする上で重要な役割を果たすことを示している。より高い割合は、より明確な再構成と低減された不確実性をもたらす。全体として、提案された枠組みは、ニューラルネットワークが、磁気閉じ込めプラズマにおけるCTSに基づく高速イオン診断の解釈可能性と信頼性を向上させるための、有望で堅牢なアプローチを提供することを示唆している。