Tearing modes are harmful magnetohydrodynamic instabilities in tokamaks that reduce plasma confinement by altering the magnetic field and forming magnetic islands. Traditional research methods, mainly relying on theories, numerical simulations or experiments, face challenges due to the enormous data, complexity of experiments and high computational costs. Machine learning, particularly deep learning algorithms, has shown significant potential in various plasma applications, including disruption prediction and tokamak control. In this study, we developed a toolbox called Deep Learning for Tearing Mode, which incorporates two machine learning methods, Tearing-Mode Neural Network and Tearing-Mode Operator Neural Network, to simulate the distributions of perturbation in the linear phase of tearing modes and predict linear growth rates and nonlinear saturated kinetic energy. Through appropriate training strategies and network structures, we can enhance simulation accuracy and prediction reliability, offering faster and more reliable results compared to traditional methods. The goal of this research is to explore the feasibility of developing a surrogate model for tearing mode prediction that can be applied in complex experimental environments.
テアリングモードは、トカマクにおける有害な電磁流体力学的不安定性であり、磁場を変化させて磁気島を形成することによりプラズマ閉じ込めを低下させる。従来の研究方法は、主に理論、数値シミュレーション、または実験に依存しているが、膨大なデータ、実験の複雑さ、高い計算コストのために課題に直面している。機械学習、特に深層学習アルゴリズムは、ディスラプション予測やトカマク制御を含むさまざまなプラズマ応用において大きな可能性を示している。本研究では、テアリングモードの線形位相における摂動の分布をシミュレートし、線形成長率と非線形飽和運動エネルギーを予測するために、Tearing-Mode Neural Network と Tearing-Mode Operator Neural Network の2つの機械学習手法を組み込んだ、Deep Learning for Tearing Mode と呼ばれるツールボックスを開発した。適切な学習戦略とネットワーク構造を通じて、シミュレーション精度と予測信頼性を向上させることができ、従来の方法と比較して、より速く、より信頼性の高い結果を提供する。この研究の目的は、複雑な実験環境に適用できるテアリングモード予測のためのサロゲートモデルを開発する可能性を探ることである。