We present the design and application of a general algorithm for Prediction And Control using MAchiNe learning (PACMAN) in DIII-D. Machine learning (ML)-based predictors and controllers have shown great promise in achieving regimes in which traditional controllers fail, such as tearing mode (TM) free scenarios, ELM-free scenarios and stable advanced tokamak conditions. The architecture presented here was deployed on DIII-D to facilitate the end-to-end implementation of advanced control experiments, from diagnostic processing to final actuation commands. This paper describes the detailed design of the algorithm and explains the motivation behind each design point. We also describe several successful ML control experiments in DIII-D using this algorithm, including a reinforcement learning controller targeting advanced non-inductive plasmas, a wide-pedestal quiescent H-mode ELM predictor, an Alfvén Eigenmode controller, a Model Predictive Control plasma profile controller and a state-machine TM predictor-controller. There is also discussion on guiding principles for real-time ML controller design and implementation.
我々は、DIII-Dにおける機械学習を用いた予測と制御のための一般アルゴリズム（PACMAN）の設計と応用を提示する。機械学習（ML）ベースの予測器と制御器は、ティアリングモード（TM）フリーシナリオ、ELMフリーシナリオ、安定な先進トカマク条件など、従来の制御器が失敗するようなレジームを達成する上で大きな可能性を示している。ここで提示するアーキテクチャは、診断処理から最終的な作動指令までの先進制御実験のエンドツーエンド実装を容易にするために、DIII-Dに配備された。本論文は、アルゴリズムの詳細な設計を述べ、各設計点の背後にある動機を説明する。また、このアルゴリズムを用いたDIII-Dにおけるいくつかの成功したML制御実験についても述べる。これには、先進的非誘導プラズマをターゲットとした強化学習制御器、幅広ペデスタル静的HモードELM予測器、アルヴェン固有モード制御器、モデル予測制御プラズマプロファイル制御器、ステートマシンTM予測器-制御器が含まれる。また、リアルタイムML制御器の設計と実装に関する指針についても議論する。