利用物理信息神经网络推断仿星星器装置刮削层中的垂直能量传导率

在本工作中，我们开发了一个逆向物理信息神经网络（PINN）框架，用于推断刮削层（SOL）垂直热传导率对等离子体密度和温度的依赖关系，即 $κ_\perp(n,T)$。该方法将电子密度和温度的径向剖面测量与一个简化的一维 SOL 输运方程的残差相结合，从而使推断得到的传导率同时受到测量数据和基础输运模型的约束。我们同时训练了三个神经网络：其中两个网络将温度和密度剖面重构为径向坐标和输运功率的函数，第三个网络则将有效传导率表示为局部密度和温度的函数。首先，我们使用由预设传导率函数生成的合成数据对该框架进行验证，从而可以将推断得到的 $κ_\perp(n,T)$ 与真实值直接比较。在数据约束区域内，该模型以低于 $10~\%$ 的误差恢复了预设的函数依赖关系。结果表明，自助法重采样能够为预测的可靠性和一致性提供一种实用指标。通过扫描用于训练的等离子体剖面数量以及每个剖面中的径向测量位置数量，我们确定了重构精度与数据可获得性之间的实际权衡。最后，我们将该方法应用于利用氦束诊断获得的 TJ-II 仿星器实验数据集。该探索性应用为有效 SOL 传导率提供了初步估计，并展示了逆向 PINN 从等离子体边缘测量中提取输运信息的潜力。