Pedestals are the key to conventional high performance plasma scenarios in tokamaks. However, high fidelity simulations of pedestal plasmas are extremely challenging due to the multiple physical processes and scales that are encompassed by tokamak pedestals. The leading paradigm for predicting the pedestal top pressure is encompassed by EPED-like models. However, EPED does not predict the pedestal top density, , but requires it as an input. EUROPED (Saarelma et al 2019 Phys. Plasmas26 072501) employs simplified models, such as log-linear regression, to constrain with tokamak machine control parameters in an EPED-like model. However, these simplified models for often show disagreements with experimental observations and do not use all of the available numerical and categorical machine control information. In this work it is observed that using the same input parameters, decision tree ensembles and deep learning models improves the predictive quality of by about 23% relative to that obtained with log-linear scaling laws, measured by root mean square error. Including all of the available tokamak machine control parameters, both numerical and categorical, leads to further improvement of about 13%. Finally, predictive quality was tested when including global normalized plasma pressure and effective charge state as inputs, as these parameters are known to impact pedestals. Surprisingly, these parameters lead to only a few percent further improvement of the predictive quality. The corresponding code for this analysis can be found at github.com/fusionby2030/supervised_learning_jetpdb.
ペデスタルは、トカマクにおける従来型の高性能プラズマシナリオの鍵である。しかしながら、ペデスタルプラズマの高忠実度シミュレーションは、トカマクペデスタルに含まれる複数の物理過程とスケールのために、極めて困難である。ペデスタル頂部圧力を予測するための主要なパラダイムは、EPED類似モデルに包含されている。しかしながら、EPEDはペデスタル頂部密度を予測するものではなく、それを入力として必要とする。EUROPED（Saarelmaら 2019 Phys. Plasmas 26 072501）は、EPED類似モデルにおいて、対数線形回帰などの簡略化されたモデルを用いて、トカマクの機械制御パラメータでそれを制約する。しかしながら、これらの簡略化されたモデルは、実験的観測としばしば不一致を示し、利用可能な数値的およびカテゴリカルな機械制御情報のすべてを使用するわけではない。本研究では、同じ入力パラメータを用いた場合、決定木アンサンブルおよびディープラーニングモデルが、二乗平均平方根誤差で測定して、対数線形スケーリング則で得られるものと比較して、予測品質を約23%向上させることが観察された。利用可能なトカマクの機械制御パラメータのすべて、すなわち数値的およびカテゴリカルなものを含めると、さらに約13%の改善がもたらされる。最後に、大域的規格化プラズマ圧力および有効電荷状態を入力として含めた場合の予測品質を試験した。これらのパラメータはペデスタルに影響を与えることが知られているためである。驚くべきことに、これらのパラメータは予測品質のわずか数パーセントのさらなる改善しかもたらさない。この解析の対応するコードは、github.com/fusionby2030/supervised_learning_jetpdb にて入手可能である。