Recent progress in the disruption event characterization and forecasting framework has shown that machine learning guided by physics theory can be easily implemented as a supporting tool for fast computations of ideal stability properties of spherical tokamak plasmas. In order to extend that idea, a customized random forest (RF) classifier that takes into account imbalances in the training data is hereby employed to predict resistive wall mode (RWM) stability for a set of high beta discharges from the NSTX spherical tokamak. More specifically, with this approach each tree in the forest is trained on samples that are balanced via a user-defined over/under-sampler. The proposed approach outperforms classical cost-sensitive methods for the problem at hand, in particular when used in conjunction with a random under-sampler, while also resulting in a threefold reduction in the training time. In order to further understand the model's decisions, a diverse set of counterfactual explanations based on determinantal point processes (DPP) is generated and evaluated. Via the use of DPP, the underlying RF model infers that the presence of hypothetical magnetohydrodynamic activity would have prevented the RWM from concurrently going unstable, which is a counterfactual that is indeed expected by prior physics knowledge. Given that this result emerges from the data-driven RF classifier and the use of counterfactuals without hand-crafted embedding of prior physics intuition, it motivates the usage of counterfactuals to simulate real-time control by generating the βN levels that would have kept the RWM stable for a set of unstable discharges.
ディスラプション事象の特性評価および予測フレームワークにおける最近の進展は、物理理論に導かれた機械学習が、球状トカマクプラズマの理想安定性特性の高速計算のための支援ツールとして容易に実装できることを示している。その考えを拡張するために、トレーニングデータの不均衡を考慮したカスタマイズされたランダムフォレスト（RF）分類器をここでは用いて、NSTX球状トカマクからの一連の高ベータ放電に対する抵抗性壁モード（RWM）安定性を予測する。より具体的には、このアプローチでは、フォレスト内の各ツリーは、ユーザー定義のオーバー/アンダーサンプラーによってバランス調整されたサンプルでトレーニングされる。提案手法は、対象とする問題に対して古典的なコスト考慮型手法よりも優れており、特にランダムアンダーサンプラーと併用した場合にその傾向が顕著であり、さらにトレーニング時間の3分の1への削減ももたらす。モデルの決定をさらに理解するために、行列式点過程（DPP）に基づく多様な反事実的説明が生成され、評価される。DPPを用いることで、基盤となるRFモデルは、仮想的な電磁流体力学活動の存在がRWMの同時不安定化を防いだであろうと推論する。これは、実際に先行する物理知識によって期待される反事実である。この結果が、データ駆動型RF分類器と、事前の物理的直感を手作業で埋め込むことのない反事実の使用から生じることを考慮すると、一連の不安定放電に対してRWMを安定に保っていたであろうβNレベルを生成することにより、リアルタイム制御をシミュレートするための反事実の使用が動機付けられる。