Diagnostics of the electron temperature and density of the plasma through optical emission spectroscopy and the collision-radiation model has the advantage of performing physical characteristic analysis based on a relatively simple measurement system. The conventional method of diagnosing electron temperature and density is derived by comparing the spectral line intensity from the collisional-radiative model by the two-line ratio pair method. However, this method has the ambiguity in selecting wavelength pairs according to the experimental conditions. In addition, there is a limitation in that the spectral data of only four wavelengths is factored in the prediction rather than all spectral intensities. To solve the problem, this thesis proposes a new method to predict the electron temperature and density by applying machine learning. The synthetic data generated from the collisional-radiative model of the low-temperature argon plasma is used as the training data of machine learning. The total of 11 spectral line intensities emitted from neutron particles derived from the collisional-radiation model was trained as the input and the electron temperature and density as the output of the multilayer perceptron neural network with the prediction accuracy above 90%. In addition, uncertainty was calculated along with the prediction results by applying Bayesian machine learning. By using the deep ensemble neural network and the autoencoder, the aspect of uncertainty was mutually verified. Lastly, the machine learning method is applied to the experiments to validate the developed machine learning. From the argon capacitively-coupled plasma with a discharge power of 5-20 W and the inductively coupled plasma of 150-200 W and the 300 W class Hall thruster plasma, the values predicted by the machine learning and results measured from the Langmuir probe were compared and analyzed. As a result, the predicted value was accurately calculated compared to the previous method with an error of 10-30% based on the experimental value, and its effectiveness was verified in various plasma. Therefore, the method is expected to be widely applicable for basic and applied plasma research by measuring electron temperature and density.
플라즈마의 방출광 분광법 및 충돌-방사 모델을 통한 전자 온도 및 밀도의 예측은 상대적으로 간단한 측정 시스템을 기반으로 물리적 특성 분석을 수행하는 장점을 지닌다. 그러나, 측정된 두 쌍의 파장 세기의 비율을 충돌-방사 모델에 활용하여 전자 온도와 밀도를 도출하는 일반적인 방법은 다양한 범위의 실험조건에 따라 서로 다른 파장 쌍을 선택해야 하는 모호함과 오직 네 개의 파장에 의한 진단결과라는 한계가 존재한다. 본 논문에서는 기계학습 기법을 적용하여 전자의 온도 및 밀도를 예측하는 새로운 방법을 제시한다. 저온 아르곤 플라즈마의 충돌-방사 모델에서 도출한 11개의 중성입자 방출광 세기를 다층 퍼셉트론 모델의 입력으로, 전자 온도 및 밀도를 출력으로 학습시켜 90% 이상의 예측 정확도를 확보하였다. 또한 베이지안 기계학습의 일종인 딥 앙상블 뉴럴 네트워크를 적용하여 예측 결과와 함께 불확정성을 계산하였으며, 오토인코더를 통해 불확정성의 양상을 상호검증 하였다. 개발한 방법의 유효성 입증을 위해 방전세기 5-20 W의 아르곤 축전결합 플라즈마와 150-200 W의 유도결합 플라즈마, 그리고 300 W 급 홀추력기 플라즈마에서 기계학습 모델로 예측한 값과 랑뮤어 탐침 기반 측정 데이터를 비교 및 분석하였다. 그 결과 예측값은 실험값을 기준으로 오차 10-30% 으로 기존의 방법에 비해 정확히 계산되어 다양한 플라즈마에서 유효성이 검증되었으며, 추후 전자온도 및 밀도 측정을 통한 기초 및 응용연구에 광범위하게 활용 가능성이 있는 것으로 판단된다.
