The integrity of tokamak plasma diagnostic data is critical for physics research and the development of experimental fusion device. Sensor failures, data acquisition errors, or limitations in diagnostic systems (e.g. absent electron temperature diagnostic) pose significant challenges for experimental data analysis, physical integrated simulation, and the design and optimization of tokamak experiment. To address this, we propose a data-driven machine learning approach based on time series extrinsic regression (TSER) to reconstruct missing electron temperature data in tokamak experiments. By constructing and training TSER models, we can effectively reconstruct missing electron temperature measurement while capturing the complex interrelationships within multiple time series signals. This study provides a solution for enhancing the integrity and reliability of tokamak diagnostic, thereby strengthening the foundation for future fusion research. Comprehensive test and evaluation results show that our method is capable of achieving a confidence level of over 95.9% to ensure that the reconstruction of electron temperature throughout the discharge process is within double the standard deviation error of the true value, meeting the stringent requirements of physics research and integrated simulations.
トカマクプラズマ診断データの完全性は、物理学研究および実験用核融合装置の開発にとって極めて重要である。センサー故障、データ取得エラー、または診断システムの制限（例えば、電子温度診断の欠如）は、実験データ解析、物理統合シミュレーション、およびトカマク実験の設計と最適化に重大な課題をもたらす。これに対処するため、我々は時系列外在回帰（TSER）に基づくデータ駆動型機械学習アプローチを提案し、トカマク実験における欠損した電子温度データを再構築する。TSERモデルを構築・訓練することにより、複数の時系列信号間の複雑な相互関係を捉えながら、欠損した電子温度測定値を効果的に再構築できる。本研究は、トカマク診断の完全性と信頼性を向上させるための解決策を提供し、将来の核融合研究の基盤を強化する。包括的なテストと評価の結果は、本手法が95.9%を超える信頼水準を達成でき、放電プロセス全体を通じて電子温度の再構築が真値の標準偏差誤差の2倍以内であることを保証し、物理学研究および統合シミュレーションの厳格な要件を満たすことを示している。