At the Joint European Torus, the reference diagnostic to measure electron density is Thomson scattering. However, this diagnostic has a low sampling rate, which makes it impractical to study the temporal dynamics of fast processes, such as edge localized modes. In this work, we use machine learning to predict the density profile based on data from another diagnostic, namely reflectometry. By learning to transform reflectometry data into Thomson scattering profiles, the model is able to generate the density profile at a much higher sampling rate than Thomson scattering, and more accurately than reflectometry alone. This enables the study of pedestal dynamics, by analyzing the time evolution of the pedestal height, width, position and gradient. We also discuss the accuracy of the model when applied on experimental campaigns that are different from the one it was trained on.
Joint European Torus（JET）において、電子密度を測定するための参照診断法はトムソン散乱である。しかし、この診断法はサンプリングレートが低く、周辺局在モード（ELM）のような高速過程の時間ダイナミクスを研究するには不適切である。本研究では、別の診断法である反射測定からのデータに基づいて密度分布を予測するために機械学習を用いる。反射測定データをトムソン散乱プロファイルに変換することを学習することにより、このモデルはトムソン散乱よりもはるかに高いサンプリングレートで密度分布を生成することができ、かつ反射測定単独よりも高精度である。これにより、ペデスタルの高さ、幅、位置、勾配の時間発展を解析することで、ペデスタルダイナミクスの研究が可能となる。また、このモデルを訓練に使用した実験キャンペーンとは異なる実験キャンペーンに適用した場合の精度についても議論する。