Stima del profilo del fascio di ioni negativi sul calorimetro STRIKE mediante metodi di Machine Learning

This thesis addresses the challenge of estimating the parameters of beamlets from thermal images in the STRIKE diagnostic calorimeter, a crucial component for the neutral beam source SPIDER. The latter is a clone of the main part of the MITICA Neutral Beam Injector, which is the full-scale prototype of the ITER tokamak additional injection power system. SPIDER produces up to 1280 beamlets of H-/D-, which are collected by STRIKE during 10-second shots. STRIKE is observed via thermal cameras, and the thermal pattern given by every single beamlet has been experimentally proven to be approximated as a 2D Gaussian curve. Traditional methods for fitting beamlets are insufficient due to their time-consuming nature, and previously developed rapid methods are not feasible for the new operation conditions of SPIDER. This study tests two machine learning techniques, applying both unsupervised and supervised learning for fast and efficient beamlet parameter estimation. An unsupervised Gaussian Mixture Model (GMM) and a supervised deep learning model, YOLO (You Only Look Once), were trained on synthetic images to detect and localize Gaussian approximations of the beamlets. The YOLO model, in particular, demonstrated superior performance, accurately identifying beamlets with tight bounding boxes even in cases of significant overlap. Refinement techniques for YOLO as PX modifier and Ensemble were explored but didn't yield better results. Challenges remain in correctly estimating the amplitude of overlapping Gaussians. Therefore, the thesis emphasizes the need for future work in disentangling overlapped Gaussians and extending model training to experimental STRIKE data. Besides, the methods developed in this thesis offer a promising approach for characterizing SPIDER beam profiles: YOLO for detecting and characterizing the beamlets with fast predictions of less than one second usually, and GMM as a support method to label future experimental data.

Questa tesi affronta la sfida della stima dei parametri dei fasci di particelle termici dalle immagini termiche nel calorimetro diagnostico STRIKE, un componente cruciale per la fonte di fasci neutri SPIDER. Quest'ultimo è un clone della parte principale dell'Iniettore di Fasci Neutri MITICA, che è il prototipo in scala reale del sistema di iniezione aggiuntiva di potenza del tokamak ITER. SPIDER produce fino a 1280 fasci di particelle H-/D-, che vengono raccolti da STRIKE durante scatti di 10 secondi. STRIKE è osservato tramite telecamere termiche, e il pattern termico fornito da ogni singolo fascio di particelle è stato sperimentalmente dimostrato essere approssimabile come una curva Gaussiana 2D. I metodi tradizionali per stimare i fasci di particelle sono insufficienti a causa di richiedere un lungo tempo di predizione, e i metodi rapidi sviluppati precedentemente non sono fattibili per le nuove condizioni operative di SPIDER. Questo studio testa due tecniche di apprendimento automatico, applicando sia l'apprendimento non supervisionato che quello supervisionato per una stima rapida ed efficiente dei parametri dei fasci di particelle. Un Modello di Misture di Gaussiane non supervisionato (GMM) e un modello di apprendimento profondo supervisionato, YOLO (You Only Look Once), sono stati addestrati su immagini sintetiche per rilevare e localizzare approssimazioni Gaussiane dei fasci di particelle. Il modello YOLO, in particolare, ha dimostrato prestazioni superiori, identificando accuratamente i fasci di particelle con riquadri di delimitazione precisi anche in casi di sovrapposizione significativa. Sono state esplorate tecniche di perfezionamento per YOLO come PX modifier ed Ensemble, ma non hanno portato a risultati migliori. Le sfide rimangono nell'estimare correttamente l'altezza delle Gaussiane sovrapposte. Pertanto, la tesi sottolinea la necessità di lavori futuri per districare le Gaussiane sovrapposte ed estendere l'addestramento del modello ai dati sperimentali di STRIKE. Inoltre, i metodi sviluppati in questa tesi offrono un approccio promettente per caratterizzare i profili dei fasci di SPIDER: YOLO per rilevare e caratterizzare i fasci di particelle con predizioni veloci di solito inferiori a un secondo, e GMM come metodo di supporto per etichettare futuri dati sperimentali.