In tokamak plasmas, various Magnetohydrodynamic (MHD) instabilities could be driven by free energy, which enhance the plasma's transportation, leading to a reduction in critical fusion parameters such as temperature and density, and in severe cases, can even cause major plasma disruptions. Accurate identification and active control of MHD is an important technology for maintaining stable operation and improving the parameter performance of fusion reactors in the future, but it is difficult to balance the accuracy, robustness and standard uniformity by traditional methods to recognize MHD instability. This study employs deep learning techniques to learn from 1000 shots manually labeled as three types of MHD instabilities: fishbone mode, long-lived mode, and TM mode, enabling real-time automated recognition of the instabilities. High accuracies of 97.83%, 95.32%, 94.84% are obtained on 200 testing shots, which are measured by area under the receiver-operator characteristic curve (AUC). Data processing methods that conform to the intuition of physics experts, such as short time Fourier transform (STFT), have been retained, and advanced artificial intelligence algorithms such as Resnet have been combined to achieve a high accuracy rate. It also demonstrated the robustness in fully automatic detections over thousands of discharges. Furthermore, this study explores multitask learning techniques. Instead of using three individual neural network to recognize the different instabilities, a joint recognition algorithm is proposed. The joint algorithm shares the encoder of the three networks and use separate decoder branches to output the result of different instabilities. An inspiring outcome is found that the joint algorithm outperforms the individual ones on all of the instability recognition tasks. Implementing multiple MHD recognition tasks jointly can comprehensively improve the model's performance on each task by sharing related information between intrinsically related tasks. This means that in the future, the model can further develop as more tasks are added, revealing a possible technique routine to build an accurate and comprehensive large-scale model for fusion applications. The method realizes high accuracy, robustness and computational efficiency of MHD instability recognition at the same time, providing a powerful means to support the real-time control of MHD instability in future fusion reactors.
トカマクプラズマにおいて、さまざまな磁気流体力学（MHD）不安定性が自由エネルギーによって駆動され得る。これらはプラズマの輸送を増大させ、温度や密度などの重要な核融合パラメータの低下を引き起こし、深刻な場合には大規模なプラズマディスラプションを引き起こすことさえある。MHD不安定性の正確な同定と能動制御は、将来の核融合炉の安定運転維持とパラメータ性能向上のための重要な技術であるが、従来の手法ではMHD不安定性を認識する際に、正確性、堅牢性、標準の均一性のバランスを取ることが困難である。本研究では、フィッシュボーン・モード、ロングリブド・モード、TMモードの3種類のMHD不安定性として手動でラベル付けされた1000ショットから深層学習技術を用いて学習し、不安定性のリアルタイム自動認識を可能にする。200のテストショットにおいて、受信者動作特性曲線下面積（AUC）で測定して、97.83%、95.32%、94.84%の高い精度が得られた。短時間フーリエ変換（STFT）など物理専門家の直感に適合するデータ処理手法が保持され、ResNetなどの先進的な人工知能アルゴリズムと組み合わせることで、高い精度率を達成した。また、数千回の放電にわたる完全自動検出における堅牢性も実証された。さらに、本研究はマルチタスク学習技術を探求する。異なる不安定性を認識するために3つの個別のニューラルネットワークを使用する代わりに、統合認識アルゴリズムが提案される。統合アルゴリズムは3つのネットワークのエンコーダを共有し、個別のデコーダブランチを使用して異なる不安定性の結果を出力する。統合アルゴリズムがすべての不安定性認識タスクにおいて個別のアルゴリズムより優れているという刺激的な結果が見出された。複数のMHD認識タスクを統合的に実装することで、本質的に関連するタスク間で関連情報を共有することにより、各タスクにおけるモデルの性能を包括的に向上させることができる。これは、将来、タスクが追加されるにつれてモデルがさらに発展できることを意味し、核融合応用のための正確かつ包括的な大規模モデルを構築するための可能な技術的ルーチンを明らかにする。本手法は、MHD不安定性認識の高い正確性、堅牢性、計算効率を同時に実現し、将来の核融合炉におけるMHD不安定性のリアルタイム制御を支援する強力な手段を提供する。