Sawtooth instability is a common and influential MHD phenomenon in tokamak plasmas, closely associated with core transport and the onset of larger instabilities. Therefore, accurate and real-time identification of sawtooth cycles is essential for plasma control and operational safety. In this study, we propose a real-time identification algorithm based on a hybrid long short-term memory and convolutional neural network architecture. Unlike traditional methods, our approach extracts both temporal and spatial features from diagnostic signals such as soft x-ray and ECE. Trained on over 10 000 annotated events, the model classifies sawtooth phases into three categories. Experiments on HL-3 data show 92.5% real-time accuracy and 95.6% post-processed accuracy. The model outperforms four mainstream algorithms in accuracy, noise robustness (SNR ⩾ 5 dB) and inference speed (<2 ms on GPU) enabling real-time deployment. This work provides a scalable and effective solution for intelligent sawtooth control in fusion devices.
鋸歯状不安定性は、トカマクプラズマにおける一般的かつ影響力のあるMHD現象であり、コア輸送およびより大きな不安定性の発生と密接に関連している。したがって、鋸歯状サイクルの正確かつリアルタイムな識別は、プラズマ制御と運転安全性にとって不可欠である。本研究では、ハイブリッド長短期記憶（LSTM）と畳み込みニューラルネットワークアーキテクチャに基づくリアルタイム識別アルゴリズムを提案する。従来の手法とは異なり、本手法は軟X線やECEなどの診断信号から時間的特徴と空間的特徴の両方を抽出する。10,000を超える注釈付きイベントで訓練されたモデルは、鋸歯状位相を3つのカテゴリに分類する。HL-3データを用いた実験では、リアルタイム精度92.5%、後処理精度95.6%を示す。本モデルは、精度、雑音耐性（SNR ⩾ 5 dB）、および推論速度（GPU上で2 ms未満）において4つの主流アルゴリズムを凌駕し、リアルタイム展開を可能にする。この研究は、核融合装置におけるインテリジェント鋸歯状制御のためのスケーラブルで効果的な解決策を提供する。