Langmuir probes have been widely used in the field of plasma diagnostics for the characterisation of plasma properties. These probes play a crucial role in understanding the behaviour of a diverse range of plasmas, e.g. edge plasmas in fusion experiments. The measurement of electron density (ne) and electron temperature (Te) provides valuable insights into the plasma's state, stability, and confinement properties. Conventionally, this analysis involves post-experiment fitting methods to calculate plasma properties from the measured current–voltage curves obtained from Langmuir probes. This work introduces a neural-network approach for analysing probe data from the TJ-K stellarator, allowing for fast associative plasma characterisation. The results show a reliable performance on test data within the domain of the training set, predicting both ne and Te within the 10 % intrinsic error. Performance on unseen data outside the domain of the training set was on average within a 26 % and 21 % error on ne and Te, respectively. The network's further abilities, including the identification of low-quality and falsely-labelled data, were also explored. The use of neural networks (NNs) offers fast predictions, enabling further research into real-time applications and live feedback control. This paper highlights the promising role of NNs in enhancing the analysis of Langmuir-probe characteristics.
ラングミュアプローブは、プラズマ特性の評価のためのプラズマ診断の分野において広く使用されてきた。これらのプローブは、例えば核融合実験における周辺プラズマなど、多様なプラズマの挙動を理解する上で重要な役割を果たす。電子密度（ne）と電子温度（Te）の測定は、プラズマの状態、安定性、閉じ込め特性に関する貴重な知見を提供する。従来、この解析は、ラングミュアプローブから得られた測定電流-電圧曲線からプラズマ特性を計算するための実験後フィッティング法を伴うものであった。本研究では、TJ-Kステラレータからのプローブデータを解析するためのニューラルネットワーク手法を導入し、高速な連想的プラズマ特性評価を可能にする。その結果は、学習セットの領域内のテストデータに対して信頼性の高い性能を示し、neとTeの両方を10%の固有誤差内で予測した。学習セットの領域外の未見データに対する性能は、平均してneで26%、Teで21%の誤差内であった。低品質データおよび誤ってラベル付けされたデータの識別を含む、ネットワークのさらなる能力も調査された。ニューラルネットワーク（NN）の使用は高速な予測を提供し、リアルタイムアプリケーションやライブフィードバック制御へのさらなる研究を可能にする。本論文は、ラングミュアプローブ特性の解析を強化する上でのNNの有望な役割を強調するものである。