Generativní modely pro detekci L-H přechodu v plazmatu na tokamaku COMPASS

Abstract

Tato práce se zabývá generativními modely vhodnými ke klasifikaci režimů udržitelnosti plazmatu v tokamaku COMPASS. Mezi použité klasifikační modely se řadí Support Vector Machine, Gradient Tree Boosting a neuronové sítě. Variační autoencodery zde slouží k extrakci nízkodimenzionálních příznaků přímo ze signálů z databáze tokamaku. Nejlepší extraktory a klasifikátory jsou později zkombinovány do semi-supervised variačního autoencoderu a natrénovány pomocí označených i neoznačených dat. Tento postup dosáhl nejlepších výsledků a překonal všechny předchozí modely. Na konci této práce je uvedeno shrnutí a srovnání všech modelů. Implementace probíhala v jazyce Python s využitím knihoven Pytorch a Pyro.

This work deals with generative models suitable for classification of plasma sustainability regimes in the COMPASS tokamak. The classification models used include Support Vector Machine, Gradient Tree Boosting and neural networks. Variational autoencoders are used to extract low-dimensional features directly from signals from the tokamak database. The best extractors and classifiers are later combined into a semi-supervised variational autoencoder and trained using labeled and unlabeled data. This procedure achieved the best results and surpassed all previous models. At the end of this work the best models and their results are presented. The implementation is in Python using Pytorch and Pyro libraries.