This work presents a systematic comparison of classical machine-learning and deep-learning models for post-alarm time-to-disruption classification in disruptive JET discharges. Using alarms generated by the validated linear disruption predictor of Rattá et al (JET Contributors) (2019 Fusion Eng. Des.146 2393–6) at a fixed working point, we train three models: support vector machines, long short-term memory networks, and a Transformer encoder. They are used to assign each alarmed disruptive pulse to one of three action-oriented remaining-time classes: mitigation (), avoidance (–), and prevention (). Within the present dataset and evaluation setup, the Transformer slightly outperforms the alternatives, and the time derivative of the locked-mode amplitude emerges as an informative feature, particularly for the prevention class. The estimator is modular in formulation, but the present validation is restricted to disruptive discharges, one upstream predictor, and one working point, without an end-to-end assessment including false alarms and missed alarms.
本研究は、破壊的JET放電における警報後破壊までの時間分類のための、古典的機械学習モデルと深層学習モデルの系統的比較を示す。Rattá et al (JET Contributors) (2019 Fusion Eng. Des.146 2393–6)の検証済み線形破壊予測器によって固定動作点で生成された警報を用いて、我々は3つのモデル（サポートベクターマシン、長期短期記憶ネットワーク、およびTransformerエンコーダ）を訓練する。これらは、警報が発せられた各破壊的パルスを、3つの行動指向の残り時間クラス、すなわち緩和（）、回避（–）、および予防（）のいずれかに割り当てるために使用される。現在のデータセットと評価設定の範囲内では、Transformerが代替モデルをわずかに上回り、ロックモード振幅の時間微分が、特に予防クラスにとって有益な特徴として浮上する。この推定器は定式化においてモジュール式であるが、現在の検証は破壊的放電、1つの上流予測器、および1つの動作点に限定されており、誤警報と見逃し警報を含むエンドツーエンドの評価は行われていない。