We implement unsupervised machine learning techniques to identify characteristic evolution patterns and associated parameter regimes in edge localized mode (ELM) events observed on the National Spherical Torus Experiment. Multi-channel, localized measurements spanning the pedestal region capture the complex evolution patterns of ELM events on Alfvén timescales. Some ELM events are active for less than 100 μs, but others persist for up to 1 ms. Also, some ELM events exhibit a single dominant perturbation, but others are oscillatory. Clustering calculations with time-series similarity metrics indicate the ELM database contains at least two and possibly three groups of ELMs with similar evolution patterns. The identified ELM groups trigger similar stored energy loss, but the groups occupy distinct parameter regimes for ELM-relevant quantities like plasma current, triangularity, and pedestal height. Notably, the pedestal electron pressure gradient is not an effective parameter for distinguishing the ELM groups, but the ELM groups segregate in terms of electron density gradient and electron temperature gradient. The ELM evolution patterns and corresponding parameter regimes can shape the formulation or validation of nonlinear ELM models. Finally, the techniques and results demonstrate an application of unsupervised machine learning at a data-rich fusion facility.
我々は教師なし機械学習技術を実装し、国立球状トーラス実験装置で観測されたエッジ局在モード（ELM）事象における特徴的な発展パターンと関連するパラメータ領域を特定する。ペデスタル領域にわたる多チャンネル・局所測定は、アルヴェン時間スケールでのELM事象の複雑な発展パターンを捉える。一部のELM事象は100μs未満で活動するが、他のものは最大1msまで持続する。また、一部のELM事象は単一の支配的な摂動を示すが、他のものは振動的である。時系列類似度指標を用いたクラスタリング計算は、ELMデータベースが類似した発展パターンを持つ少なくとも2つ、おそらく3つのELMグループを含むことを示す。同定されたELMグループは同様の蓄積エネルギー損失を引き起こすが、プラズマ電流、三角形度、ペデスタル高さなどのELM関連量において異なるパラメータ領域を占める。注目すべきことに、ペデスタル電子圧力勾配はELMグループを区別する有効なパラメータではないが、ELMグループは電子密度勾配と電子温度勾配に関して分離する。ELMの発展パターンと対応するパラメータ領域は、非線形ELMモデルの定式化または検証を形成し得る。最後に、これらの技術と結果は、データ豊富な核融合施設における教師なし機械学習の応用を示すものである。