It has recently been shown that artificial neural networks (NNs) are able to establish nontrivial connections between the heat fluxes and the magnetic topology at the edge of Wendelstein 7-X (W7-X) (Böckenhoff et al 2018 Nucl. Fusion58 056009), a first step in the direction of real-time control of heat fluxes in this device. We report here on progress on improving the performance of these NNs. A particular challenge here is that of generating a suitable training set for the NN. At present, experimental data are sparse, and simulated data, which are much more abundant, do not match the experimental data closely. It is found that the NNs show significantly improved performance on experimental data when experimental and simulated data are combined into a common training set, relative to training performed on only one of the two data sets. It is also found that appropriate pre-processing of the data improves performance. The architecture of the NN is also discussed. Overall a significant improvement in NN performance was seen—the normalized error reduced by more than a factor of three over the previous results. These results are important since heat flux control in a W7-X, as well as in a future fusion power plant, is likely a key issue, and must start with a very limited set of experimental training data, complemented by a larger, but not necessarily fully realistic, set of simulated data.
近年、人工ニューラルネットワーク（NN）が、Wendelstein 7-X（W7-X）の周辺部における熱流束と磁気トポロジーとの間に非自明な関連性を確立できることが示されている（Böckenhoff et al 2018 Nucl. Fusion58 056009）。これは、この装置における熱流束のリアルタイム制御に向けた第一歩である。本稿では、これらのNNの性能向上に関する進展について報告する。ここでの特に重要な課題は、NNに適した訓練データセットを生成することである。現時点では、実験データは乏しく、はるかに豊富に存在するシミュレーションデータは実験データと厳密には一致しない。実験データとシミュレーションデータを共通の訓練セットに組み合わせると、いずれか一方のデータセットのみで訓練した場合と比較して、NNが実験データに対して有意に優れた性能を示すことが見出された。また、データの適切な前処理も性能を向上させることが見出された。NNのアーキテクチャについても議論する。全体として、NNの性能には大幅な改善が見られた——正規化誤差は以前の結果の3分の1以下に減少した。これらの結果は重要である。なぜなら、W7-Xおよび将来の核融合発電所における熱流束制御はおそらく重要な課題であり、非常に限られた実験訓練データセットから開始し、それをより大規模ではあるが必ずしも完全に現実的ではないシミュレーションデータセットで補完する必要があるからである。