One of the biggest challenges to achieve the goal of producing fusion energy in tokamak devices is the necessity of avoiding disruptions of the plasma current due to instabilities. The disruption event characterization and forecasting (DECAF) framework has been developed in this purpose, integrating physics models of many causal events that can lead to a disruption. Two different machine learning approaches are proposed to improve the ideal magnetohydrodynamic (MHD) no-wall limit component of the kinetic stability model included in DECAF. First, a random forest regressor (RFR), was adopted to reproduce the DCON computed change in plasma potential energy without wall effects, , for a large database of equilibria from the national spherical torus experiment (NSTX). This tree-based method provides an analysis of the importance of each input feature, giving an insight into the underlying physics phenomena. Secondly, a fully-connected neural network has been trained on sets of calculations with the DCON code, to get an improved closed form equation of the no-wall limit as a function of the relevant plasma parameters indicated by the RFR. The neural network has been guided by physics theory of ideal MHD in its extension outside the domain of the NSTX experimental data. The estimated value of has been incorporated into the DECAF kinetic stability model and tested against a set of experimentally stable and unstable discharges. Moreover, the neural network results were used to simulate a real-time stability assessment using only quantities available in real-time. Finally, the portability of the model was investigated, showing encouraging results by testing the NSTX-trained algorithm on the mega ampere spherical tokamak (MAST).
トカマク装置における核融合エネルギーの生成という目標を達成する上で最大の課題の一つは、プラズマ電流の不安定性によるディスラプションを回避することである。ディスラプション事象の特性評価と予測（DECAF）フレームワークは、ディスラプションに至る可能性のある多くの因果事象の物理モデルを統合するために開発された。DECAFに含まれる運動論的安定性モデルの理想MHD無壁限界成分を改善するために、2つの異なる機械学習アプローチが提案されている。第一に、ランダムフォレスト回帰（RFR）を用いて、国立球状トーラス実験（NSTX）からの大規模な平衡データベースに対して、壁効果を考慮しない場合のプラズマ位置エネルギーのDCON計算による変化を再現した。この木ベースの手法は、各入力特徴量の重要度の分析を提供し、基礎となる物理現象への洞察を与える。第二に、完全結合ニューラルネットワークがDCONコードによる計算のセットで訓練され、RFRによって示された関連プラズマパラメータの関数として、無壁限界の改善された閉形式方程式を得た。ニューラルネットワークは、NSTX実験データの領域外への拡張において、理想MHDの物理理論によって導かれた。推定された値はDECAF運動論的安定性モデルに組み込まれ、実験的に安定および不安定な放電のセットに対して検証された。さらに、ニューラルネットワークの結果を用いて、リアルタイムで利用可能な量のみを使用したリアルタイム安定性評価のシミュレーションが行われた。最後に、モデルの移植性が調査され、NSTXで訓練されたアルゴリズムをメガアンペア球状トーラス（MAST）に適用することで有望な結果が示された。