An artificial neural network, combining signals from a large number of plasma diagnostics, was used to estimate the high- beta disruption boundary in the DIII-D tokamak. It is shown that inclusion of many diagnostic measurements results in a much more accurate prediction of the disruption boundary than that provided by the traditional Troyon limit. A trained neural network constitutes a non-linear, non-parametric model of the disruption boundary. Through the analysis of the input-output sensitivities, the relative statistical significance of various diagnostic measurements (plasma parameters) for the determination of the disruption boundary is directly assessed and the number of diagnostics used by the neural network model is reduced to the necessary minimum. The neural network is trained to map the disruption boundary throughout most of the discharge. As a result, it can predict the high- beta disruption boundary on a time-scale of the order of 100 ms (much longer than the precursor growth time), which makes this approach ideally suitable for real time application in a disruption avoidance scheme. Owing to the relative simplicity of the required computations, the neural network is easily implemented in a real time system. A prototype of the neural network disruption alarm was installed within the DIII-D digital plasma control system, and its real time operation, with a typical time resolution of 10 ms, was demonstrated
人工ニューラルネットワークが、多数のプラズマ診断からの信号を組み合わせて、DIII-Dトカマクにおける高ベータ崩壊境界を推定するために使用された。多くの診断測定値を含めることで、従来のTroyon限界による予測よりもはるかに正確な崩壊境界の予測が得られることが示された。訓練されたニューラルネットワークは、崩壊境界の非線形・非パラメトリックモデルを構成する。入出力感度の分析を通じて、崩壊境界の決定における様々な診断測定値（プラズマパラメータ）の統計的有意性が直接評価され、ニューラルネットワークモデルで使用される診断の数が必要最小限に削減される。ニューラルネットワークは、放電の大部分を通じて崩壊境界をマッピングするように訓練される。その結果、高ベータ崩壊境界を約100ミリ秒の時間スケール（先行現象の成長時間よりもはるかに長い）で予測することができ、このアプローチは崩壊回避スキームにおけるリアルタイム適用に理想的に適している。必要な計算の簡素さにより、ニューラルネットワークはリアルタイムシステムに容易に実装される。ニューラルネットワーク崩壊警報のプロトタイプがDIII-Dデジタルプラズマ制御システム内に設置され、そのリアルタイム動作が典型的な時間分解能10ミリ秒で実証された。