Next generation High Performance (HP) tokamaks risk damage from unmitigated disruptions at high current and power. Achieving reliable disruption prediction for a device's HP operation based on its Low Performance (LP) data is a key to its success. In this letter, through explorative data analysis and dedicated numerical experiments on multiple existing tokamaks, we demonstrate how the operational regimes of tokamaks can affect the power of a trained disruption predictor. First, our results suggest data-driven disruption predictors trained on abundant LP discharges work poorly on the HP regime of the same tokamak, which is a consequence of the distinct distributions of the tightly correlated signals related to disruptions in these two regimes. Second, we find that matching operational parameters among tokamaks strongly improves cross-machine accuracy which implies our model learns from the underlying scalings of dimensionless physics parameters like q95, βp and confirms the importance of these parameters in disruption physics and cross machine domain matching from the data-driven perspective. Finally, our results show in the absence of HP data from the target devices, the best predictivity of the HP regime for the target machine can be achieved by combining LP data from the target with HP data from other machines. These results provide a possible disruption predictor development strategy for next generation tokamaks, such as ITER and SPARC, and highlight the importance of developing baseline scenario discharges of future tokamaks on existing machines to collect more relevant disruptive data.
次世代高性能（HP）トカマクは、高電流・高電力条件下での未緩和ディスラプションにより損傷を受けるリスクがある。装置の低性能（LP）データに基づいて、そのHP運転における信頼性の高いディスラプション予測を実現することは、その成功の鍵となる。本レターでは、複数の既存トカマクに対する探索的データ解析と専用の数値実験を通じて、トカマクの運転領域が訓練済みディスラプション予測器の性能にどのように影響するかを実証する。第一に、我々の結果は、豊富なLP放電で訓練されたデータ駆動型ディスラプション予測器が、同一トカマクのHP領域ではうまく機能しないことを示唆しており、これはこれら二つの領域におけるディスラプションに関連する密接に相関した信号の分布が明確に異なることに起因する。第二に、トカマク間で運転パラメータを一致させることにより、クロス装置精度が大幅に向上することが分かった。これは、我々のモデルがq95、βpなどの無次元物理パラメータの基礎となるスケーリング則を学習していることを示唆し、データ駆動の観点からこれらのパラメータがディスラプション物理およびクロス装置領域適応において重要であることを確認するものである。最後に、対象装置のHPデータが存在しない場合、対象装置のLPデータと他装置のHPデータを組み合わせることで、対象装置のHP領域に対する最良の予測性能が達成できることを示す。これらの結果は、ITERやSPARCなどの次世代トカマクに対するディスラプション予測器開発のための有望な戦略を提供し、将来のトカマクのベースラインシナリオを既存装置で開発し、より多くの関連するディスラプションデータを収集することの重要性を強調するものである。