Amnell, Emil2025-10-092025-10-092025-10-09http://hdl.handle.net/10138/602408This thesis investigates the application of likelihood-free inference and uncertainty-aware optimization techniques to improve uncertainty quantification in plasma physics simulations, with a specific focus on a reduced Lower Hybrid Current Drive (LHCD) model used in nuclear fusion research. Traditional inference methods often fall short in this domain due to intractable likelihoods, high computational costs, and simulator instability. To address these challenges, we explore Bayesian approaches that enable probabilistic reasoning directly from simulation data, without requiring explicit likelihood functions. We implement and evaluate several likelihood-free inference methods, including Approximate Bayesian Computation (ABC), Bayesian Optimization for Likelihood-Free Inference (BOLFI), and Neural Posterior Estimation (NPE), using a database of experimental discharges from the WEST tokamak. BOLFI, combined with surrogate modeling via Gaussian Processes and multitask learning, significantly improves data efficiency and robustness in recovering parameter posteriors. We extend BOLFI to handle constrained optimization with simulator failures by incorporating feasibility-aware acquisition functions. Additionally, we perform forward uncertainty quantification by propagating posterior samples through the LHCD model, revealing insights into model reliability across different operational regimes. The study highlights key limitations in the model’s ability to capture "cold branch" behavior, while demonstrating improved performance and interpretability for the "hot branch" when using optimized parameters. Overall, this work demonstrates how the integration of likelihood-free Bayesian inference and uncertainty quantification can support model development, validation, and decision-making in fusion research, contributing to the broader goal of achieving sustainable nuclear energy.Denna avhandling undersöker tillämpningen av sannolikhetsfri inferens och osäkerhetsmedvetna optimeringstekniker för att förbättra osäkerhetskvantifiering i plasmfysiksimuleringar, med särskilt fokus på en reducerad modell för Lower Hybrid Current Drive (LHCD) som används inom kärnfusionsforskning. Traditionella inferensmetoder räcker ofta inte till i detta sammanhang på grund av oåtkomliga sannolikhetsfunktioner, höga beräkningskostnader och instabilitet i simulatorer. För att möta dessa utmaningar utforskar vi bayesianska angreppssätt som möjliggör probabilistiskt resonemang direkt från simuleringsdata, utan behov av explicita sannolikhetsfunktioner. Vi implementerar och utvärderar flera sannolikhetsfria inferensmetoder, inklusive Approximate Bayesian Computation (ABC), Bayesian Optimization for Likelihood-Free Inference (BOLFI) och Neural Posterior Estimation (NPE), med hjälp av en databas av experimentella urladdningar från WEST-tokamaken. BOLFI, i kombination med surrogatmodellering via Gaussiska processer och multitask-lärande, förbättrar avsevärt dataeffektiviteten och robustheten vid återhämtning av parameterposteriorer. Vi utvidgar BOLFI för att hantera begränsad optimering med simulatorfel genom att införa feasibility-medvetna förvärvsfunktioner. Dessutom utför vi framåtriktad osäkerhetskvantifiering genom att propagera posteriorprover genom LHCD-modellen, vilket ger insikter i modellens tillförlitlighet över olika driftregimer. Studien belyser viktiga begränsningar i modellens förmåga att återge ”cold branch”-beteende, samtidigt som den visar förbättrad prestanda och tolkbarhet för ”hot branch” när optimerade parametrar används. Sammanfattningsvis visar detta arbete hur integrationen av sannolikhetsfri bayesiansk inferens och osäkerhetskvantifiering kan stödja modellutveckling, validering och beslutsfattande inom fusionsforskning, och därmed bidra till det övergripande målet om att uppnå hållbar kärnenergi.engCC BY-NC-ND 4.0ikelihood-free inferenceuncertainty quantificationplasma physicslower hybrid current driveURN:NBN:fi:hulib-202510094374pro gradu -tutkielmaDatatieteen maisteriohjelmaMaster's Programme in Data ScienceMagisterprogrammet i data science