Disruptions are abrupt collapses of the configuration that have afflicted all tokamaks ever operated. Reliable observers are a prerequisite to the definition and the deployment of any realistic strategy of countermeasures to avoid or mitigate disruptions. Lacking first principle models of the dynamics leading to disruptions, in the past decades empirical predictors have been extensively studied and some were even installed in JET real time network. Having been conceived as engineering tools, they were often very abstract. In this work, physics and data-driven methodologies are combined to identify the main macroscopic precursors of disruptions: magnetic instabilities, abnormal kinetic profiles and radiation patterns. Machine learning predictors utilising these observers can not only detect and classify these anomalies but also determine their probability of occurrence and estimate the time remaining before their onset. These tools have been applied to a database of about two thousand JET discharges with various isotopic compositions including DT, in conditions simulating in all respects real time deployment. Their performance would meet ITER requirements, and they are expected to be easily transferrable to larger devices, because they rely only on normalised quantities, form factors, and physical/empirical scaling laws.
disruption（ディスラプション）は、これまでに運転された全てのトカマクを悩ませてきた配位の急激な崩壊である。信頼性の高い観測装置は、ディスラプションを回避または緩和するための現実的な対策戦略の定義と展開の前提条件である。ディスラプションに至る力学の第一原理モデルが不足しているため、過去数十年間にわたり経験的予測器が広く研究され、一部はJETのリアルタイムネットワークにも実装された。工学的ツールとして考案されたため、それらはしばしば非常に抽象的なものであった。本研究では、物理学とデータ駆動型の方法論を組み合わせて、ディスラプションの主要な巨視的前駆現象、すなわち磁気不安定性、異常な運動学的プロファイル、および放射パターンを特定する。これらの観測装置を利用する機械学習予測器は、これらの異常を検出・分類するだけでなく、その発生確率を決定し、発生までの残り時間を推定することができる。これらのツールは、様々な同位体組成（DTを含む）を持つ約2000回のJET放電のデータベースに適用され、リアルタイム展開をあらゆる点で模擬した条件下で検証された。それらの性能はITERの要件を満たすものであり、正規化された量、形状因子、および物理的・経験的スケーリング則のみに依存するため、より大型の装置への移行が容易であると期待される。