Reconstructing the plasma state is a central challenge in nuclear fusion experiments, as it is essential for understanding and predicting plasma behaviour. Physics-informed neural networks (PINNs), especially when combined with a multi-diagnostic approach, offer powerful advantages for addressing this problem. PINNs embed the governing physical laws directly into the learning process through differential equation constraints, enabling them to integrate sparse or noisy measurements while maintaining physical consistency. This makes them particularly suitable for equilibrium reconstruction, where they can incorporate diagnostic data as boundary conditions and naturally enforce the structure of the magnetohydrodynamic equations. Moreover, the use of multiple diagnostics helps over-constrain the system, reducing uncertainties and mitigating the ill-posedness characteristic of the plasma core region. Starting from results obtained in previous works [1] where the capabilities of multi-diagnostics equilibrium reconstruction through PINNs were demonstrated, in this work we perform several parametric studies to optimise both the neural network architecture and the training procedure. We examine the impact of automatically adjusting the relative weights between data and physics losses during training, the role of specialised physics-based network’s layers informed by prior knowledge or plasma state hypotheses, the choice of hidden layers’ activation function, and the benefits of initialising training from a pre-trained network. These analyses provide guidelines for designing the most effective neural network and training strategy for specific plasma conditions.
プラズマ状態の再構築は核融合実験における中心的な課題であり、プラズマ挙動の理解と予測に不可欠である。物理情報ニューラルネットワーク（PINNs）は、特に複数診断手法と組み合わせた場合に、この問題に取り組む上で強力な利点をもたらす。PINNsは、微分方程式の制約を通じて支配的な物理法則を学習プロセスに直接組み込み、物理的一貫性を維持しながらスパースまたはノイズの多い計測を統合することを可能にする。これにより、平衡再構築に特に適しており、そこでは診断データを境界条件として組み込み、磁気流体力学方程式の構造を自然に課すことができる。さらに、複数の診断を使用することでシステムに過剰な制約を与え、不確実性を低減し、プラズマコア領域に特徴的な不良設定性を緩和するのに役立つ。先行研究[1]で、PINNsによる複数診断を用いた平衡再構築の能力が実証された結果を出発点として、本研究ではニューラルネットワークアーキテクチャと学習手順の両方を最適化するためにいくつかのパラメトリックスタディを実施する。学習中のデータ損失と物理損失の間の相対的重みを自動調整することの影響、事前知識またはプラズマ状態の仮説に基づく専門的な物理ベースのネットワーク層の役割、隠れ層の活性化関数の選択、および事前学習済みネットワークから学習を初期化することの利点を調査する。これらの分析は、特定のプラズマ条件に対して最も効果的なニューラルネットワークと学習戦略を設計するための指針を提供する。