A variational autoencoder (VAE) is a type of unsupervised neural network which is able to learn meaningful data representations in a reduced dimensional space. We present an application of VAE in identifying the operational stability boundary of tokamak plasma discharges. This model was implemented using a dataset of over 3000 discharges from the high beta tokamak-extended pulse (HBT-EP) device. We found the VAE model to be capable of forming a continuous low-dimensional operational space map and identifying the operational boundaries using a specified warning time window. By projecting the operational parameters onto the same reduced space, this provides an intuitive way for the machine operator or an automated control system to perform disruption avoidance using a relevant control actuator as a discharge approaches a boundary. Pre-programmed GPU control experiments were conducted to demonstrate this control technique using HBT-EP's saddle control coils as a horizontal position actuator, showing the ability to avoid the oncoming disruptive event and extend the duration of the discharge.
変分オートエンコーダー（VAE）は、教師なしニューラルネットワークの一種であり、低次元空間において意味のあるデータ表現を学習することができる。本論文では、トカマクプラズマ放電の運転安定性境界を特定するためのVAEの応用を提示する。このモデルは、高ベータトカマク・拡張パルス（HBT-EP）装置からの3000以上の放電からなるデータセットを用いて実装された。我々は、VAEモデルが連続的な低次元運転空間マップを形成し、指定された警告時間窓を用いて運転境界を特定できることを見出した。運転パラメータを同じ低次元空間に射影することにより、これは機械の運転者または自動制御システムにとって、放電が境界に近づく際に関連する制御アクチュエータを用いてディスラプション回避を行う直感的な方法を提供する。事前プログラムされたGPU制御実験を実施し、HBT-EPのサドル制御コイルを水平位置アクチュエータとして用いてこの制御手法を実証し、差し迫るディスラプション事象を回避し、放電の持続時間を延長する能力を示した。