I expected that inferring plasma status with magnetic signals would be especially important when only a few diagnostics such as magnetic field probes would be available at nuclear fusion power plants. I conducted preparatory research predicting kinetic profiles in the KSTAR with magnetic and heating information using an artificial neural network. I implemented Gaussian process regression (GPR) for kinetic profile reconstruction, and results - where GPR kernel function's hyper-parameters are predicted with the Maximum a posteriori (MAP) estimator and marginalized with the No-U-turn sampler (NUTS) - are compared. To get the spatially continuous neural network prediction, I conducted the principal component analysis (PCA) on the kinetic profiles for the dimensionality reduction. In addition, I adopted support vector machine regression (SVMR) to handle data outliers. I report the KSTAR ion temperature prediction results utilizing all the methods mentioned above.
핵융합 발전소에 자기장 탐침을 비롯한 소수의 진단만 남는다면 이러한 진단만으로 핵융합 플라즈마 상태를 유추하는 것이 중요해질 것으로 예상된다. 이러한 상황을 대비하기 위하여 자기장 및 가열 정보를 기반으로 KSTAR 플라즈마 kinetic profile을 인공신경망으로 실시간 예측하는 연구를 진행하였다. Gaussian process regression (GPR) 기법이 인공신경망의 출력으로써 사용될 kinetic profile을 유추하는데사용되었으며, GPR 커널 함수의 hyper-parameter를 Maximum a posteriori (MAP) estimator를 사용하여 추론한 경우와 No- U-turn sampler (NUTS)를 사용하여 주변화 한 경우의 kinetic profile 예측 결과가 비교되었다. 공간상에서 연속적인 인공신경망 예측 값을 얻기 위하여 kinetic profile의 차원을 principal component analysis (PCA) 기법을 활용하여 축소하였다. 또한, 데이터 이상치를 탐지하기 위하여 support vector machine regression (SVMR) 방법론이 사용되었다. 위 기법들을 활용하여 얻은 KSTAR 이온 온도 예측 결과를 보여주고자 한다.
