Accurate estimation of the tokamak energy confinement time (τE) is crucial for optimizing the operation and design of fusion devices. Traditional methods, such as the ITER scaling law, often lack predictive precision and provide limited uncertainty quantification. To address these limitations, we develop two Bayesian neural network (BNN) models: VIBNN and NUTSBNN. These models leverage variational inference (VI) and the No-U-Turn Sampler (NUTS), respectively, for posterior inference. Evaluations on the multi-machine ITPA global H-mode confinement database and individual datasets from JET, DIII-D, and ASDEX-Upgrade, both models outperform conventional methods in terms of accuracy and provide reliable uncertainty estimates. NUTSBNN achieves higher accuracy with an inference time of ∼3 s, making it suitable for offline analysis, while VIBNN provides faster inference ( s), which is promising for real-time applications. These results highlight the potential of BNNs for accurate and interpretable confinement time predictions in fusion research.
トカマクエネルギー閉じ込め時間（τE）の正確な推定は、核融合装置の運転と設計を最適化するために極めて重要である。ITERスケーリング則などの従来手法は、予測精度に欠け、不確実性の定量化も限定的であることが多い。これらの限界に対処するため、我々は2つのベイズニューラルネットワーク（BNN）モデル、VIBNNとNUTSBNNを開発する。これらのモデルは、それぞれ変分推論（VI）とNo-U-Turn Sampler（NUTS）を事後推論に利用する。複数装置のITPAグローバルHモード閉じ込めデータベースおよびJET、DIII-D、ASDEX-Upgradeの個別データセットでの評価において、両モデルは従来手法を精度の点で上回り、信頼できる不確実性推定を提供する。NUTSBNNは約3秒の推論時間でより高い精度を達成し、オフライン解析に適している。一方、VIBNNはより高速な推論（ s）を提供し、リアルタイム応用に有望である。これらの結果は、核融合研究における正確で解釈可能な閉じ込め時間予測に対するBNNの可能性を強調する。