Due to its potential in contactless and non-interfering diagnostics, laser-induced breakdown spectroscopy (LIBS) has become an important element of research in the PWI (plasma wall interactions) area, which has been under the intensive investigation of numerous teams from Europe and China. The advantages of this effort demonstrated successful analysis of the surface materials in EAST and WEST tokamaks and deployment of the remotely controlled LIBS head to conduct LIBS measurements at FTU. In 2024 an experiment with remotely controlled LIBS head at JET finally proved that LIBS constitutes a highly relevant technique for ITER. Despite these achievements, applying LIBS to the next-step fusion device remains challenged by uncertainties. These uncertainties stem from the undetermined morphology of co-deposits in ITER and potential issues with controlling laser beam and plasma parameters. These control issues can lead to inaccuracies in estimating the chemical composition of plasma-facing components. Additionally, the vast amount of measurement data expected in ITER could further complicate the diagnostic performance. On a positive note, recent years have seen the emergence of new tools that capitalize on large datasets. These tools are artificial intelligence methods, particularly artificial neural networks and convolutional neural networks. These methods enable deep learning, a technique highly adept at identifying patterns in data. Models built using these methods have already demonstrated superior performance in various scientific, industrial, and information technology tasks. Nevertheless, these methods have not yet been thoroughly adapted in the PWI community, and improperly recognized terminology leads to misunderstanding and confusion. The main goal of this contribution is to thoroughly present the machine learning (ML) models to an audience of PWI scientists so that they can gain an understanding of the available tools and methods of ML. This knowledge is supported by exemplary analysis of the chemical composition of brass-alloys, which shows the capabilities of deep learning for more complex mixtures which were analysed in previous investigations.
非接触かつ非干渉の診断における可能性のため、レーザー誘起ブレークダウン分光法（LIBS）は、欧州と中国の多くのチームによって集中的に調査されてきたPWI（プラズマ壁相互作用）分野の研究において重要な要素となっている。この取り組みの利点は、EASTおよびWESTトカマクにおける表面材料の分析の成功と、FTUでのLIBS測定を実施するための遠隔制御LIBSヘッドの展開によって実証された。2024年にJETで遠隔制御LIBSヘッドを用いた実験により、LIBSがITERにとって極めて関連性の高い技術であることが最終的に証明された。これらの成果にもかかわらず、LIBSを次世代核融合装置に適用することは、不確実性によって依然として課題が残っている。これらの不確実性は、ITERにおける共堆積物の未確定な形態と、レーザービームおよびプラズマパラメータの制御に関する潜在的な問題に起因する。これらの制御問題は、プラズマ対向コンポーネントの化学組成を推定する際の不正確さにつながる可能性がある。さらに、ITERで予想される膨大な量の測定データが、診断性能をさらに複雑にする可能性がある。明るい話題として、近年、大規模データセットを活用する新しいツールが登場している。これらのツールは人工知能手法であり、特に人工ニューラルネットワークと畳み込みニューラルネットワークである。これらの手法は、データ内のパターンを識別することに非常に優れた技術である深層学習を可能にする。これらの手法を用いて構築されたモデルは、様々な科学的、産業的、情報技術的タスクにおいてすでに優れた性能を実証している。それにもかかわらず、これらの手法はPWIコミュニティではまだ十分に適用されておらず、誤って認識された用語が誤解と混乱を招いている。本寄稿の主な目的は、PWI科学者の読者に機械学習（ML）モデルを徹底的に紹介し、利用可能なMLのツールと手法についての理解を得られるようにすることである。この知識は、真鍮合金の化学組成の例示的な分析によって裏付けられており、これは以前の調査で分析されたより複雑な混合物に対する深層学習の能力を示している。