Magnetic confinement nuclear fusion holds great promise as a source of clean and sustainable energy for the future. However, achieving net energy from fusion reactors requires a more profound understanding of the underlying physics and the development of efficient control strategies. Plasma diagnostics are vital to these efforts, but accessing local information often involves solving very ill-posed inverse problems. Regrettably, many of the current approaches for solving these problems rely on simplifying assumptions, sometimes inaccurate or not completely verified, with consequent imprecise outcomes. In order to overcome these challenges, the present study suggests employing physics-informed neural networks (PINNs) to tackle inverse problems in tokamaks. PINNs represent a type of neural network that is versatile and can offer several benefits over traditional methods, such as their capability of handling incomplete physics equations, of coping with noisy data, and of operating mesh-independently. In this work, PINNs are applied to three typical inverse problems in tokamak physics: equilibrium reconstruction, interferometer inversion, and bolometer tomography. The reconstructions are compared with measurements from other diagnostics and correlated phenomena, and the results clearly show that PINNs can be easily applied to these types of problems, delivering accurate results. Furthermore, we discuss the potential of PINNs as a powerful tool for integrated data analysis. Overall, this study demonstrates the great potential of PINNs for solving inverse problems in magnetic confinement thermonuclear fusion and highlights the benefits of using advanced machine learning techniques for the interpretation of various plasma diagnostics.
磁場閉じ込め核融合は、将来のクリーンで持続可能なエネルギー源として大きな可能性を秘めている。しかし、核融合炉から正味エネルギーを得るには、基礎となる物理のより深い理解と、効率的な制御戦略の開発が必要である。プラズマ計測はこれらの取り組みに不可欠であるが、局所情報へのアクセスは、しばしば非常に非適切な逆問題を解くことを伴う。残念ながら、これらの問題を解くための現在の手法の多くは、単純化の仮定に依存しており、その仮定は時に不正確または完全には検証されておらず、その結果、不正確な結果をもたらす。これらの課題を克服するために、本研究では、トカマクにおける逆問題に取り組むための物理情報ニューラルネットワーク（PINNs）の使用を提案する。PINNsは多用途なニューラルネットワークの一種であり、不完全な物理方程式を扱う能力、ノイズを含むデータに対処する能力、メッシュに依存せず動作する能力など、従来の手法に対していくつかの利点を提供できる。本研究では、PINNsをトカマク物理における三つの典型的な逆問題、すなわち平衡再構成、干渉計逆変換、ボロメータトモグラフィーに適用する。再構成結果は他の計測装置による測定値および相関する現象と比較され、その結果は、PINNsがこれらの種類の問題に容易に適用でき、正確な結果をもたらすことを明確に示している。さらに、統合データ解析のための強力なツールとしてのPINNsの可能性について議論する。全体として、この研究は、磁場閉じ込め熱核融合における逆問題を解くためのPINNsの大きな可能性を示し、様々なプラズマ計測の解釈における高度な機械学習技術の利点を強調するものである。