A neural network-based method is developed to fast optimize EMC3-EIRENE input parameters, enabling EMC3-EIRENE to produce synthetic data that closely match experimental measurements on Wendelstein 7-X. Initially, an EMC3-EIRENE simulation database covering a range of key input parameters is generated. Trained on this database, a feed-forward neural network (FNN) surrogate model efficiently maps EMC3-EIRENE input parameters to synthetic signals corresponding to experimentally observed physical quantities. Subsequently, the trained surrogate model is incorporated into a Bayesian inference framework with Dynamic Nested Sampling to infer posterior distributions of the EMC3-EIRENE input parameters. In this step, the FNN-predicted synthetic data are compared with the experimental data, and the likelihood function explicitly accounts for the measurement uncertainties of the selected diagnostics. EMC3-EIRENE simulations using the maximum a posteriori estimates derived from these posterior distributions reproduce experimental measurements with satisfactory accuracy. This neural network-based method significantly reduces computational costs and the need for manual parameter tuning, and it can be generalized to other similar modeling codes.
ニューラルネットワークに基づく手法を開発し、EMC3-EIRENE入力パラメータを高速に最適化することで、EMC3-EIRENEがWendelstein 7-Xにおける実験計測に密に一致する合成データを生成できるようにする。最初に、主要な入力パラメータの範囲を網羅するEMC3-EIRENEシミュレーションデータベースを生成する。このデータベースで学習したフィードフォワードニューラルネットワーク(FNN)サロゲートモデルは、EMC3-EIRENE入力パラメータを、実験的に観測される物理量に対応する合成信号へ効率的に写像する。次に、学習済みサロゲートモデルを、Dynamic Nested Samplingを用いたベイズ推論フレームワークに組み込み、EMC3-EIRENE入力パラメータの事後分布を推定する。この段階では、FNNが予測した合成データと実験データを比較し、尤度関数は選択した診断装置の測定不確かさを明示的に考慮する。これらの事後分布から得られる最大事後確率推定値を用いたEMC3-EIRENEシミュレーションは、実験計測を満足のいく精度で再現する。このニューラルネットワークベースの手法は、計算コストと手動によるパラメータ調整の必要性を大幅に削減し、他の類似のモデリングコードにも一般化できる。