Kinetic equilibrium reconstructions make use of profile information such as particle density and temperature measurements in addition to magnetics data to compute a self-consistent equilibrium. They are used in a multitude of physics-based modeling. This work develops a multi-layer perceptron (MLP) neural network (NN) model as a surrogate for kinetic Equilibrium Fitting (EFITs) and trains on the 2019 DIII-D discharge campaign database of kinetic equilibrium reconstructions. We investigate the impact of including various diagnostic data and machine actuator controls as input into the NN. When giving various categories of data as input into NN models that have been trained using those same categories of data, the predictions on multiple equilibrium reconstruction solutions (poloidal magnetic flux, global scalars, pressure profile, current profile) are highly accurate. When comparing different models with different diagnostics as input, the magnetics-only model outputs accurate kinetic profiles and the inclusion of additional data does not significantly impact the accuracy. When the NN is tasked with inferring only a single target such as the EFIT pressure profile or EFIT current profile, we see a large increase in the accuracy of the prediction of the kinetic profiles as more data is included. These results indicate that certain MLP NN configurations can be reasonably robust to different burning-plasma-relevant diagnostics depending on the accuracy requirements for equilibrium reconstruction tasks.
運動論的平衡再構成は、磁気データに加えて粒子密度や温度測定などのプロファイル情報を利用して、自己無撞着な平衡を計算する。それらは、多くの物理ベースのモデリングで使用されている。本研究では、運動論的平衡フィッティング（EFIT）のサロゲートとして多層パーセプトロン（MLP）ニューラルネットワーク（NN）モデルを開発し、2019年のDIII-D放電キャンペーンにおける運動論的平衡再構成のデータベースで学習する。我々は、様々な診断データと装置のアクチュエータ制御をNNへの入力として含めることの影響を調査する。それらと同じカテゴリのデータを用いて訓練されたNNモデルに様々なカテゴリのデータを入力として与えると、複数の平衡再構成解（ポロイダル磁束、グローバルスカラー量、圧力プロファイル、電流プロファイル）に対する予測は非常に正確である。異なる診断データを入力とする異なるモデルを比較すると、磁気データのみのモデルは正確な運動論的プロファイルを出力し、追加データの包含は精度に大きな影響を与えない。NNがEFIT圧力プロファイルやEFIT電流プロファイルなどの単一のターゲットのみを推論するタスクを課されると、より多くのデータが含まれるにつれて、運動論的プロファイルの予測精度が大きく向上することがわかる。これらの結果は、特定のMLP NN構成が、平衡再構成タスクの精度要件に応じて、様々な燃焼プラズマ関連診断に対して合理的に頑健であり得ることを示している。