Plasma disruption is a very dangerous event for future tokamaks and fusion reactors. Therefore, predicting disruption is crucial for ensuring the safety and performance of reactors. In this study, the features of two deep learning algorithms are integrated to establish a multi-scale hybrid network disruption predictor. Firstly, 43 diagnostic signals are extracted by a convolutional neural network (CNN), and the time information is learned by a long short-term memory network. The predictor is trained and tested on a database containing non-all-metal wall discharges. Its area under the receiver operator characteristic curve (AUC), which is a common performance metric for deep learning algorithms, reaches 0.97, and the true positive rate is , while the false positive rate is . Since EAST was upgraded in 2020, the wall condition has been upgraded from non-all-metal to all-metal. To examine the robustness of the predictor, the EAST disruption predictor is migrated to the all-metal wall experiment for the first time. It is again tested under the all-metal wall experimental data, and its warning performance decreases significantly, with an AUC of only 0.79. To improve the robustness and sensitivity of the predictor against disruptions, the convolutional attention mechanism is introduced into the CNN. After training and testing with the same data set, the warning performance for the all-metal wall data is improved, with the AUC value increasing to 0.84. To further improve the robustness of the predictor, the t-distributed stochastic neighbor embedding algorithm is employed to explore the difference of the sample distribution before and after EAST upgradation, and the transfer learning algorithm is used to reduce this difference. By applying transfer learning to a small amount of discharges from the all-metal wall data, the warning performance in the all-metal wall experiment is further improved, and the AUC value increases to 0.93. Overall, the proposed data-driven predictor is promising for applications in future devices such as ITER.
プラズマディスラプションは、将来のトカマクおよび核融合炉にとって非常に危険な事象である。したがって、ディスラプションを予測することは、炉の安全性と性能を確保するために極めて重要である。本研究では、2つの深層学習アルゴリズムの特徴を統合し、マルチスケールハイブリッドネットワークディスラプション予測器を構築する。まず、43個の診断信号が畳み込みニューラルネットワーク（CNN）により抽出され、時間情報が長短期記憶ネットワークにより学習される。予測器は、非オールメタル壁放電を含むデータベースで学習およびテストされる。その受信者動作特性曲線下面積（AUC）は、深層学習アルゴリズムの一般的な性能指標であるが、0.97に達し、真陽性率は 、偽陽性率は である。EASTは2020年にアップグレードされたため、壁状態は非オールメタルからオールメタルに更新された。予測器の堅牢性を検証するために、EASTディスラプション予測器は初めてオールメタル壁実験に移行される。再びオールメタル壁実験データでテストされると、その警告性能は大幅に低下し、AUCはわずか0.79となる。ディスラプションに対する予測器の堅牢性と感度を向上させるために、畳み込みアテンション機構がCNNに導入される。同じデータセットで学習およびテストした後、オールメタル壁データに対する警告性能は向上し、AUC値は0.84に増加する。予測器の堅牢性をさらに向上させるために、t分布確率的近傍埋め込みアルゴリズムを用いてEASTアップグレード前後のサンプル分布の違いを調査し、転移学習アルゴリズムを用いてこの差を低減する。オールメタル壁データからの少数の放電に転移学習を適用することにより、オールメタル壁実験における警告性能はさらに向上し、AUC値は0.93に増加する。全体として、提案されたデータ駆動型予測器は、ITERなどの将来の装置への応用が期待される。