Fluid-based scrape-off layer transport codes, such as UEDGE, are heavily utilized in tokamak analysis and design, but typically require user-specified anomalous transport coefficients to match experiments. Determining the uniqueness of these parameters and the uncertainties in them to match experiments can provide valuable insights to fusion scientists. We leverage recent work in the area of likelihood-free inference ('simulation-based inference') to train a neural network, which enables accurate statistical inference of the anomalous transport coefficients given experimental plasma profile input. UEDGE is treated as a black-box simulator and runs multiple times with anomalous transport coefficients sampled from priors, and the neural network is trained on these simulations to emulate the posterior. The neural network is trained as a normalizing flow model for density estimation, allowing it to accurately represent complicated, high-dimensional distribution functions. With a fixed simulation budget, we compare a single-round procedure to a multi-round approach that guides the training simulations toward a specific target observation. We discuss the future possibilities for use of amortized models, which train on a wide range of simulations and enable fast statistical inference for results during experiments.
流体ベースのスクレイプオフ層輸送コード（UEDGEなど）は、トカマクの解析と設計において広く使用されているが、通常、実験と一致させるためにユーザー指定の異常輸送係数を必要とする。これらのパラメータの一意性と、実験に一致させる際の不確実性を決定することは、核融合科学者に貴重な洞察をもたらす可能性がある。我々は、尤度フリー推論（「シミュレーションに基づく推論」）の分野における最近の研究を活用し、実験的なプラズマプロファイルが与えられた際に異常輸送係数の統計的推論を可能にするニューラルネットワークを訓練する。UEDGEはブラックボックスシミュレータとして扱われ、事前分布からサンプリングされた異常輸送係数を用いて複数回実行され、ニューラルネットワークはこれらのシミュレーションに基づいて事後分布を模倣するように訓練される。ニューラルネットワークは、密度推定のための正規化フローとして訓練され、複雑で高次元の分布を正確に表現することを可能にする。固定されたシミュレーション予算の下で、我々は単一ラウンドの手順と、特定の目標観測値に向けて訓練シミュレーションを導く多ラウンドのアプローチを比較する。我々は、広範囲のシミュレーションで訓練され、実験中の結果に対する高速な統計的推論を可能にする償却モデルの使用に関する将来の可能性について議論する。