One of the most pressing challenges facing the fusion community is adequately mitigating or, even better, avoiding disruptions of tokamak plasmas. However, before this can be done, disruptions must first be predicted with sufficient warning time to actuate a response. The established field of survival analysis provides a convenient statistical framework for time-to-event (i.e. time-to-disruption) studies. This paper demonstrates the integration of an existing disruption prediction machine learning algorithm with the Kaplan–Meier estimator of survival probability. Specifically discussed are the implied warning times from binary classification of disruption databases and the interpretation of output signals from Random Forest algorithms trained and tested on these databases. This survival analysis approach is applied to both smooth and noisy test data to highlight important features of the survival and hazard functions. In addition, this method is applied to three Alcator C-Mod plasma discharges and compared to a threshold-based scheme for triggering alarms. In one case, both techniques successfully predict the disruption; although, in another, neither warns of the impending disruption with enough time to mitigate. For the final discharge, the survival analysis approach could avoid the false alarm triggered by the threshold method. Limitations of this analysis and opportunities for future work are also presented.
核融合コミュニティが直面する最も差し迫った課題の一つは、トカマクプラズマの擾乱を適切に緩和すること、あるいはさらに良いこととして、完全に回避することである。しかしながら、これが達成されるためには、まず擾乱が十分な警告時間をもって予測されなければならない。生存分析の確立された分野は、イベントまでの時間（すなわち擾乱までの時間）の研究のための便利な統計的枠組みを提供する。本稿では、既存の擾乱予測機械学習アルゴリズムと、生存確率のカプラン＝マイヤー推定量との統合を実証する。具体的には、擾乱データベースの二値分類から得られる暗黙の警告時間と、ランダムフォレストアルゴリズムの訓練および試験から得られる出力信号の解釈について論じる。この生存分析アプローチは、滑らかな試験データとノイズの多い試験データの両方に適用され、生存関数およびハザード関数の重要な特徴を浮き彫りにする。さらに、この方法は3つのAlcator C-Modプラズマ放電に適用され、アラーム発動のための閾値ベースの方式と比較される。あるケースでは、両手法が擾乱を首尾よく予測するが、別のケースでは、いずれの手法も緩和に十分な時間をもって差し迫った擾乱を警告しない。最後の放電では、生存分析アプローチが閾値法によって引き起こされた誤警報を回避できることが示される。本分析の限界と将来の研究の機会も提示される。