In modern tokamaks like ITER or WEST, with tungsten (W) instead of traditional carbon as the main plasma-facing material to minimize erosion and tritium retention in the walls, the essential issue of heavy impurity radiation has been raised. Monitoring and real-time control of W concentration below 0.01% in the plasma core will be indeed necessary to avoid significant cooling of the plasma by impurity radiation, in particular in the soft x-ray (SXR) energy range of 0.1–20 keV, and to select adequate mitigation strategies. In this context, this paper describes recent work to reconstruct W concentration in WEST plasma core from SXR, electron profiles measurements and magnetic equilibrium in a fast and automatized way, with the support of machine learning. A significant data reduction is performed, with the parametrization of the magnetic equilibrium and electron radial profiles, to limit the number of inputs feeding the considered neural network (NN). The NN architecture, training strategy and experimental dataset used to perform fast reconstructions are introduced. The NN is trained with 2023 WEST data and tested on a set of 2024 plasma discharges. NN predictions are compared with the ones calculated with a synthetic diagnostic tool for different ranges of plasma temperature and density. Perspectives for further improvements and extension of this study are also discussed.
ITERやWESTのような現代のトカマクでは、壁の損耗とトリチウム保持を最小限に抑えるために、主なプラズマ対向材料として従来の炭素の代わりにタングステン（W）を用いることから、重不純物放射という本質的な問題が提起されている。プラズマコアにおける0.01%未満のW濃度の監視とリアルタイム制御は、特に0.1–20 keVの軟X線（SXR）エネルギー範囲における不純物放射によるプラズマの顕著な冷却を回避し、適切な緩和戦略を選択するために、確かに必要となるであろう。この文脈において、本論文は、機械学習の支援を受けて、SXR、電子プロファイル測定、および磁気平衡からWESTプラズマコアのW濃度を迅速かつ自動化された方法で再構成する最近の研究について述べる。磁気平衡と電子動径プロファイルのパラメータ化により、考慮するニューラルネットワーク（NN）への入力数を制限する大幅なデータ削減が行われる。高速再構成を実行するために使用されるNNアーキテクチャ、トレーニング戦略、および実験データセットが紹介される。NNは2023年のWESTデータでトレーニングされ、2024年の一連のプラズマ放電でテストされる。NN予測は、プラズマ温度と密度のさまざまな範囲について、合成診断ツールで計算された予測と比較される。さらなる改善と本研究の拡張の見通しについても議論される。