Microwave reflectometry is a key diagnostic for plasma density measurements in future fusion devices and has been selected by ITER to measure plasma density and shape. One of the main challenges for its deployment is ensuring accurate real-time density profile reconstruction, which is essential for plasma position control, feedback regulation, and overall stability. In this work, we present a multi-scale convolutional neural network for real-time reconstruction of density profiles directly from raw microwave reflectometer signals. The model leverages multi-scale feature extraction to reconstruct the full density profile in a single forward pass, achieving an inference time of ms, which is sufficient for real-time deployment on EAST. Trained and validated on 42 000 density profiles from the 2025 EAST campaign, the model achieved an average accuracy of 98% and demonstrated strong generalization across diverse operational conditions, including ramp-up phases, L–H transitions, gas fueling, and edge-localized modes. Looking ahead, we plan to integrate the model into EAST’s microwave reflectometer system to provide real-time density profiles, supporting density control and edge monitoring in EAST and future devices.
マイクロ波反射計測は、将来の核融合装置におけるプラズマ密度測定の主要な診断手法であり、ITERによってプラズマ密度と形状を測定するために選定されている。その導入における主な課題の一つは、プラズマ位置制御、フィードバック調整、および全体的な安定性に不可欠な、正確なリアルタイム密度プロファイル再構成を確保することである。本研究では、生のマイクロ波反射計信号から密度プロファイルを直接リアルタイムで再構成するためのマルチスケール畳み込みニューラルネットワークを提示する。このモデルは、マルチスケール特徴抽出を活用して、単一のフォワードパスで完全な密度プロファイルを再構成し、EASTでのリアルタイム展開に十分な msの推論時間を達成する。2025年のEASTキャンペーンからの42 000の密度プロファイルでトレーニングおよび検証され、モデルは平均精度98%を達成し、ランプアップ位相、L-H遷移、ガス燃料供給、エッジ局在モードを含む多様な運転条件にわたって強い一般化を示した。今後は、このモデルをEASTのマイクロ波反射計システムに統合し、リアルタイム密度プロファイルを提供して、EASTおよび将来の装置における密度制御とエッジ監視を支援する予定である。