A multispectral camera setup is used to infer a 2D map of plasma parameters in a tokamak from spectral emissions. However, the light measured by these cameras is line integrated in the toroidal direction, whereas emissivities on the poloidal plane are necessary for the inference. The poloidal plasma emissivity can be obtained by tomographic reconstruction, but classical techniques are too slow to use these emissivities for real-time control. We present two machine learning based approaches to accelerate the reconstruction of the poloidal emissivities from line integrated data measured by the camera setup. Both approaches yield more accurate results on synthetic data than the iterative approach while being, with the right implementation, fast enough for real-time control applications.
マルチスペクトルカメラ構成を用いて、トカマクにおけるスペクトル放射からプラズマパラメータの2次元マップを推定する。しかし、これらのカメラで測定される光はトロイダル方向に線積分されており、一方で推定にはポロイダル平面上の発光率が必要である。ポロイダルプラズマ発光率はトモグラフィ再構成によって得ることができるが、古典的手法はこれらの発光率をリアルタイム制御に使用するには遅すぎる。我々は、カメラ構成によって測定された線積分データからポロイダル発光率の再構成を高速化するための、機械学習に基づく2つのアプローチを提示する。どちらのアプローチも、合成データにおいて反復法よりも正確な結果をもたらし、適切な実装を用いれば、リアルタイム制御アプリケーションに十分な速さを実現する。