This paper reports on disruption prediction using a shallow machine learning method known as a random forest, trained on large databases containing only plasma parameters that are available in real-time on Alcator C-Mod, DIII-D, and EAST. The database for each tokamak contains parameters sampled ∼106 times throughout ∼104 discharges (disruptive and non-disruptive) over the last four years of operation. It is found that a number of parameters (e.g. , , , ) exhibit changes in aggregate as a disruption is approached on one or more of these tokamaks. However, for each machine, the most useful parameters, as well as the details of their precursor behaviors, are markedly different. When the prediction problem is framed using a binary classification scheme to discriminate between time slices 'close to disruption' and 'far from disruption', it is found that the prediction algorithms differ substantially in performance among the three machines on a time slice-by-time slice basis, but have similar disruption detection rates (∼80%–90%) on a shot-by-shot basis after appropriate optimisation. This could have important implications for disruption prediction and avoidance on ITER, for which development of a training database of disruptions may be infeasible. The algorithm's output is interpretable using a method that identifies the most strongly contributing input signals, which may have implications for avoiding disruptive scenarios. To further support its real-time capability, successful applications in inter-shot and real-time environments on EAST and DIII-D are also discussed.
本論文は、Alcator C-Mod、DIII-D、およびEASTにおいてリアルタイムで利用可能なプラズマパラメータのみを含む大規模データベースを用いて訓練された、ランダムフォレストとして知られる浅層機械学習手法を用いたディスラプション予測について報告する。各トカマクのデータベースには、過去4年間の運転における約10⁴回のディスチャージ（ディスラプション性および非ディスラプション性）を通じて約10⁶回サンプリングされたパラメータが含まれている。多数のパラメータ（例：、、、）が、これらの1つ以上のトカマクにおいてディスラプションが近づくにつれて集約的に変化を示すことが見出された。しかしながら、各装置について、最も有用なパラメータおよびそれらの前駆挙動の詳細は著しく異なる。予測問題を「ディスラプションに近い」時間スライスと「ディスラプションから遠い」時間スライスを判別する二値分類スキームを用いて定式化すると、予測アルゴリズムの性能は3つの装置間で時間スライス単位の基準では大幅に異なるが、適切な最適化後にはショット単位の基準で類似したディスラプション検出率（約80%–90%）を示すことが見出された。これは、訓練用のディスラプションデータベースの構築が実現不可能かもしれないITERにおけるディスラプション予測および回避に重要な意味を持つ可能性がある。アルゴリズムの出力は、最も強く寄与する入力信号を特定する手法を用いて解釈可能であり、これはディスラプション性シナリオの回避に意味を持つ可能性がある。そのリアルタイム能力をさらに裏付けるものとして、EASTおよびDIII-Dにおけるショット間およびリアルタイム環境での適用成功例についても議論する。