Convective heat loads onto the plasma facing components of magnetic confinement devices contain information about edge magnetic field properties which are not yet fully exploited. Machine learning approaches are a promising technique to automatically extract information about such properties from heat load images. In this study, we present the successful reconstruction of proxies for two independent, important edge magnetic field properties given simulated heat load images on the Wendelstein 7-X divertor target plates. Six different artificial neural network architectures from shallow and simple feed-forward fully-connected neural network to deep Inception ResNets with 24 223 to 804 804 free parameters are investigated. The relative reconstruction error is between and with calculation times on the order of milliseconds. A competing benchmark method without machine learning reaches slightly smaller errors but exceeds the calculation time by three orders of magnitude. The experiments demonstrate that machine learning is also a powerful tool in this particular field of nuclear fusion research and deep convolutional neural networks are identified as favorable algorithms for the stated problem. The findings of this paper build a basis for future real time discharge optimization and control by means of machine learning methods.
磁気閉じ込め装置のプラズマ対向機器への対流熱負荷には、まだ十分に活用されていない周辺磁場特性に関する情報が含まれている。機械学習アプローチは、熱負荷画像からこのような特性に関する情報を自動的に抽出する有望な手法である。本研究では、Wendelstein 7-Xダイバータ標的板上のシミュレーション熱負荷画像を用いて、2つの独立した重要な周辺磁場特性のプロキシの再構成に成功したことを示す。浅く単純な順伝播型全結合ニューラルネットワークから深いInception ResNetまでの6つの異なる人工ニューラルネットワークアーキテクチャが、24,223から804,804の自由パラメータで調査された。相対再構成誤差は と の間であり、計算時間はミリ秒オーダーである。機械学習を用いない競合するベンチマーク手法は、わずかに小さい誤差に達するが、計算時間は3桁超過する。実験は、機械学習がこの特定の核融合研究分野においても強力なツールであることを実証し、深層畳み込みニューラルネットワークが上記の問題に対して好ましいアルゴリズムとして特定された。本論文の知見は、機械学習手法による将来のリアルタイム放電最適化と制御の基盤を構築するものである。