The ability to identify underlying disruption precursors is key to disruption avoidance. In this paper, we present an integrated deep learning (DL) based model that combines disruption prediction with the identification of several disruption precursors like rotating modes, locked modes, H-to-L back transitions and radiative collapses. The first part of our study demonstrates that the DL-based unstable event identifier trained on 160 manually labeled DIII-D shots can achieve, on average, 84% event identification rate of various frequent unstable events (like H-L back transition, locked mode, radiative collapse, rotating MHD mode, large sawtooth crash), and the trained identifier can be adapted to label unseen discharges, thus expanding the original manually labeled database. Based on these results, the integrated DL-based framework is developed using a combined database of manually labeled and automatically labeled DIII-D data, and it shows state-of-the-art (AUC = 0.940) disruption prediction and event identification abilities on DIII-D. Through cross-machine numerical disruption prediction studies using this new integrated model and leveraging the C-Mod, DIII-D, and EAST disruption warning databases, we demonstrate the improved cross-machine disruption prediction ability and extended warning time of the new model compared with a baseline predictor. In addition, the trained integrated model shows qualitatively good cross-machine event identification ability. Given a labeled dataset, the strategy presented in this paper, i.e. one that combines a disruption predictor with an event identifier module, can be applied to upgrade any neural network based disruption predictor. The results presented here inform possible development strategies of machine learning based disruption avoidance algorithms for future tokamaks and highlight the importance of building comprehensive databases with unstable event information on current machines.
破壊（ディスラプション）の前駆現象を特定する能力は、ディスラプション回避の鍵となる。本論文では、ディスラプション予測と、回転モード、ロックモード、H-L逆遷移、放射崩壊などのいくつかのディスラプション前駆現象の識別を組み合わせた統合深層学習（DL）ベースモデルを提示する。本研究の最初の部分では、160の手動ラベル付きDIII-Dショットで訓練されたDLベースの不安定現象識別器が、様々な頻発する不安定現象（H-L逆遷移、ロックモード、放射崩壊、回転MHDモード、大きな鋸歯状崩壊など）に対して、平均84%の現象識別率を達成できることを示す。また、訓練された識別器は未見の放電にラベル付けするように適応でき、それによって元の手動ラベル付きデータベースを拡張できる。これらの結果に基づき、手動ラベル付きおよび自動ラベル付きDIII-Dデータの組み合わせデータベースを用いて統合DLベースの枠組みが開発され、DIII-Dにおいて最先端の（AUC = 0.940）ディスラプション予測および現象識別能力を示す。この新しい統合モデルを用い、C-Mod、DIII-D、EASTのディスラプション警報データベースを活用した装置間数値ディスラプション予測研究を通じて、ベースライン予測器と比較した新しいモデルの改善された装置間ディスラプション予測能力と延長された警告時間を実証する。さらに、訓練された統合モデルは、定性的に良好な装置間現象識別能力を示す。ラベル付きデータセットが与えられれば、本論文で提示する戦略、すなわちディスラプション予測器と現象識別モジュールを組み合わせる戦略は、任意のニューラルネットワークベースのディスラプション予測器をアップグレードするために適用できる。ここで提示された結果は、将来のトカマクのための機械学習ベースのディスラプション回避アルゴリズムの可能な開発戦略に示唆を与え、現在の装置における不安定現象情報を含む包括的データベース構築の重要姓を強調する。