Accurately predicting plasma behavior based on discharge configurations is essential for the safe and efficient operation of tokamak experiments. While physics-based integrated modeling codes provide valuable insights, their high computational cost limits their applicability for fast scenario design and control optimization. In this study, we propose a transformer-based machine learning model to predict key global plasma parameters on the Tungsten (W) Environment in Steady-State Tokamak (WEST) tokamak, including the normalized beta (βn), toroidal beta (βt), poloidal beta (βp), plasma stored energy (), safety factor at the magnetic axis (q0), and safety factor at the 95% flux surface (q95). The model uses only signals that can be defined before the discharge, such as magnetic coil currents, auxiliary heating power, plasma current reference, and line-averaged plasma density. Trained on 550 discharges from the WEST campaigns, the model demonstrates an average mean square error (MSE) loss of 0.026, an average coefficient of determination R2 of 0.94, and achieves inference times on the order of 0.1 s. These results highlight the potential of data-driven surrogate models for assisting in discharge planning, scenario evaluation, and real-time control of tokamak plasmas.
放電配位に基づいてプラズマ挙動を正確に予測することは、トカマク実験の安全かつ効率的な運転に不可欠である。物理に基づく統合モデリングコードは貴重な知見を提供する一方で、その高い計算コストにより、高速なシナリオ設計や制御最適化への適用可能性は限られている。本研究では、タングステン（W）環境定常状態トカマク（WEST）トカマクにおける主要なグローバルプラズマパラメータ、すなわち規格化ベータ（βn）、トロイダルベータ（βt）、ポロイダルベータ（βp）、プラズマ蓄積エネルギー（）、磁気軸における安全係数（q0）、95%フラックス面における安全係数（q95）を予測するための、トランスフォーマーベースの機械学習モデルを提案する。モデルは、磁気コイル電流、補助加熱パワー、プラズマ電流参照値、線平均プラズマ密度など、放電前に定義できる信号のみを使用する。WESTキャンペーンからの550回の放電で学習されたモデルは、平均MSE損失0.026、平均決定係数R2 0.94を示し、約0.1秒の推論時間を達成する。これらの結果は、データ駆動型サロゲートモデルが、トカマクプラズマの放電計画、シナリオ評価、リアルタイム制御を支援する可能性を強調するものである。