Genaue Kenntnisse über die Elektronendichteverteilung sind für das Verständnis und die Steuerung von Plasmen unerlässlich. Die Mikrowellenstreuung bietet einen vielversprechenden nicht-invasiven Diagnoseansatz, doch die Interpretation des gemessenen Mikrowellensignals kann rechenintensive Full-Wave-Simulationen erfordern. Dies erschwert die Rekonstruktion von Plasmaparametern, insbesondere wenn eine schnelle Analyse erforderlich ist.
Forscher am IGVP haben nun einen auf maschinellem Lernen basierenden Ansatz vorgestellt, der diesen Prozess erheblich beschleunigen kann. Durch die Kombination eines Random-Forest-Modells mit einem neuronalen Netzwerk entwickelten die Forscher ein Framework, das sowohl die Mikrowellenstreuung in einem Plasma nachbilden als auch das entsprechende inverse Problem lösen kann.
In der Studie, die in der von IOP Publishing herausgegebenen Fachzeitschrift „Machine Learning: Science and Technology“ veröffentlicht wurde, wurde zunächst mithilfe von COMSOL Multiphysics ein dreidimensionales Modell eines sich durch ein zylindrisches Plasma ausbreitenden Mikrowellenstrahls entwickelt. Die daraus gewonnenen Daten wurden zum Trainieren eines Random-Forest-Modells verwendet, das den gestreuten Mikrowellenstrahl für ein gegebenes Elektronendichteprofil genau nachbildet. Dieses Ersatzmodell kann dann große Datensätze generieren, ohne dass wiederholt rechenintensive Full-Wave-Simulationen durchgeführt werden müssen.
Die generierten Daten wurden anschließend zum Trainieren eines neuronalen Netzes verwendet, um das inverse Problem zu lösen: Ausgehend von der gemessenen Mikrowellenstrahlverteilung sagt das Netzwerk die Parameter voraus, die das zugrunde liegende Elektronendichteprofil beschreiben. Der Ansatz rekonstruiert erfolgreich Elektronendichteprofile für bisher unbekannte Plasmabedingungen und demonstriert damit das Potenzial des maschinellen Lernens, rechenintensive Simulationen in der Plasmadignostik zu ersetzen.
Die Ergebnisse bilden eine wertvolle Grundlage für die Entwicklung schnellerer mikrowellenbasierter Plasmadignostik und zeigen, wie maschinelles Lernen genutzt werden kann, um Vorwärtsmodellierung und inverse Rekonstruktion zu kombinieren. In Zukunft könnten solche Ansätze eine schnelle Rekonstruktion von Plasmaparametern aus experimentellen Mikrowellenmessungen ermöglichen und zur Entwicklung fortschrittlicher, nicht-invasiver Plasmadignostik beitragen.
