Aprendizado por transferência para análise de espectros de espalhamento Thomson coletivos e não coletivos

O diagnóstico de espalhamento Thomson (TS) fornece medições confiáveis e minimamente perturbadoras de parâmetros fundamentais do plasma, como densidade eletrônica (ne) e temperatura eletrônica (Te). Redes neurais profundas podem fornecer estimativas precisas de ne e Te quando algoritmos de ajuste convencionais podem falhar, como quando os espectros de TS são dominados por ruído ou quando uma análise rápida é necessária para operação em tempo real. Embora as redes neurais profundas normalmente exijam grandes conjuntos de dados para treinamento, o aprendizado por transferência pode melhorar o desempenho do modelo em uma tarefa alvo com dados limitados, aproveitando modelos pré-treinados de tarefas de origem relacionadas, onde camadas ocultas selecionadas são treinadas adicionalmente usando dados alvo. Apresentamos cinco redes neurais profundas arquitetonicamente diversas, pré-treinadas em dados sintéticos de TS e adaptadas para dados de TS medidos experimentalmente, para avaliar a eficácia do aprendizado por transferência na estimação de ne e Te em ambos os regimes de espalhamento coletivo e não coletivo. Avaliamos erros nas estimativas de ne e Te como função do tamanho do conjunto de treinamento para modelos treinados com e sem aprendizado por transferência, e observamos diminuições no erro do modelo devido ao aprendizado por transferência quando o conjunto de treinamento contém ≲200 espectros medidos experimentalmente.