Deep learning (DL) based approaches have shown great promise in cross-device disruption prediction for tokamaks, however, the robustness of these models heavily relies on massive amounts of training data. For the upcoming ITER, to ensure the safety of the first plasma and subsequent operations, experimental data should be entirely unavailable initially, and disruptive discharges should be strictly avoided thereafter. This extreme data scarcity inherently conflicts with the data-intensive nature of DL algorithms. To address this challenge, we utilize synthetic diagnostic signals from the target device to supplement the experimental data from existing devices for the zero-shot disruption prediction on a new device. The detailed implementation pipeline of this scheme is presented. For experimental validation, a predictive model trained on data from the EAST tokamak is deployed for a zero-shot cross-device experiment on the J-TEXT tokamak. A synthetic diagnostic framework, configured with the diagnostic parameters of the target device, is developed to process NIMROD magnetohydrodynamic (MHD) simulation data based on the target device’s magnetic configuration, thereby achieving effective data augmentation. Ultimately, evaluation on 1578 real J-TEXT experimental discharges shows that the model trained solely on EAST data achieves an area under curve (AUC) of 0.52 in zero-shot transfer. By incorporating synthetic diagnostic data generated from only 18 J-TEXT MHD simulation cases for few-shot adaptation, the AUC is improved to 0.61. For comparison, adaptation using the same number of real J-TEXT experimental cases achieves an AUC of 0.71. Although a performance gap remains between synthetic and real target-device data, these results demonstrate that the proposed synthetic-diagnostic pipeline can effectively supplement scarce experimental data and serves as a promising physics-informed data augmentation strategy for cross-device disruption prediction.
深層学習（DL）に基づくアプローチは、トカマクにおける装置間横断的なディスラプション予測において大きな可能性を示しているが、これらのモデルの堅牢性は大量の訓練データに大きく依存している。今後のITERにおいて、初回プラズマおよびその後の運転の安全性を確保するためには、実験データは当初は完全に利用不可能であり、その後はディスラプティブ放電を厳格に回避すべきである。この極端なデータ不足は、DLアルゴリズムのデータ集約的な性質と本質的に矛盾する。この課題に対処するため、我々は対象装置からの合成診断信号を利用して、既存装置からの実験データを補完し、新規装置におけるゼロショットディスラプション予測を実現する。この方式の詳細な実装パイプラインを示す。実験的検証として、EASTトカマクのデータで訓練された予測モデルを、J-TEXTトカマクにおけるゼロショット装置間横断実験に展開する。対象装置の診断パラメータで構成された合成診断フレームワークを開発し、対象装置の磁気配位に基づくNIMROD磁気流体力学（MHD）シミュレーションデータを処理することで、効果的なデータ拡張を達成する。最終的に、1578回の実J-TEXT実験放電での評価により、EASTデータのみで訓練されたモデルは、ゼロショット転移において曲線下面積（AUC）0.52を達成する。わずか18件のJ-TEXT MHDシミュレーションケースから生成された合成診断データを組み込んだフューショット適応により、AUCは0.61に改善される。比較として、同数の実J-TEXT実験ケースを用いた適応では、AUC 0.71を達成する。合成データと実対象装置データの間には依然として性能ギャップが存在するものの、これらの結果は、提案する合成診断パイプラインが希少な実験データを効果的に補完でき、装置間横断的なディスラプション予測のための有望な物理情報に基づくデータ拡張戦略として機能することを示している。