In tokamaks, rotating magneto-hydro-dynamic modes frequently decelerate as their amplitude increases. Once a critical threshold in amplitude is reached, these modes stop rotating into a specific toroidal and poloidal position and are commonly named Locked Modes (LMs). The presence of LMs, especially with low toroidal mode numbers, causes degradation of plasma performance, i.e. particle and energy losses, and can lead to a plasma disruption. Several strategies can be adopted when designing the plasma scenario to avoid the onset of these modes, which foresee the use of plasma heating, current drive methods, error field correction and density rising either via gas puffing or pellet injection. Despite the efforts to avoid the onset of LMs, disruption mitigation systems are considered essential during the International Thermonuclear Experimental Reactor (ITER) operations and in the view of the next fusion reactors such as the DEMOnstration Power Plant (DEMO), which can withstand a limited number of unmitigated plasma disruptions. The necessary condition towards the realization of an effective mitigation system, for safe and steady-state operations, is the development of robust and reliable metrics which are capable of predicting with a sufficient time margin the proximity to a LM. Thanks to the large availability of data, from lots of experimental campaigns performed in different experimental fusion devices, Machine Learning (ML) methods show to be a promising tool towards the achievement of this task. In this context, a wide database of MAST-U discharges has been analyzed considering data from multiple diagnostics with the scope of identifying recurrent paths which lead to LM onset. The data gathered have been the starting point for both the training and testing of two ML models, namely, K-Nearest-Neighbor (KNN) and Classification Tree (CT), developed for mode locking prediction. Both algorithms showed to be very reliable in predicting the proximity to a LM, with low percentages of missed and tardy detections. The methodology adopted for data selection, model training, as well as, the assessment of model performance are described in this work.
トカマクにおいて、回転する磁気流体力学モードは、その振幅が増大するにつれて頻繁に減速する。振幅の臨界閾値に達すると、これらのモードは特定のトロイダル方向およびポロイダル方向の位置で回転を停止し、一般にロックモード（LM）と呼ばれる。LMの存在、特に低いトロイダルモード数を有するものは、プラズマ性能の低下、すなわち粒子およびエネルギーの損失を引き起こし、プラズマディスラプションにつながる可能性がある。これらのモードの発生を回避するために、プラズマシナリオを設計する際にいくつかの戦略を採用することができ、それらはプラズマ加熱、電流駆動法、誤差磁場補正、およびガスパフまたはペレット注入による密度上昇の使用を見込んでいる。LMの発生を回避する努力にもかかわらず、ディスラプション緩和システムは、国際熱核融合実験炉（ITER）の運転中および、無緩和のプラズマディスラプションを限られた回数しか耐えられないDEMOnstration Power Plant（DEMO）のような次世代核融合炉の観点において、不可欠であると考えられている。安全かつ定常状態の運転のための効果的な緩和システムの実現に向けた必要条件は、LMへの接近を十分な時間的余裕をもって予測できる、頑健かつ信頼性の高い指標の開発である。様々な実験用核融合装置で実施された多くの実験キャンペーンからのデータが大量に利用可能であるおかげで、機械学習（ML）手法はこの課題の達成に向けた有望なツールであることを示している。この文脈において、MAST-Uの多岐にわたる放電の広範なデータベースが、LM発生に至る繰り返し見られる経路を特定する目的で、複数の診断装置からのデータを考慮して解析された。収集されたデータは、モードロック予測のために開発された2つのMLモデル、すなわちK近傍法（KNN）および分類木（CT）のトレーニングとテストの両方の出発点となった。両アルゴリズムは、LMへの接近を予測する上で非常に信頼性が高く、見逃し検出および遅延検出の割合が低いことを示した。データ選択、モデルトレーニング、およびモデル性能の評価のために採用された方法論は、この研究で説明される。