Suppression or mitigation of edge-localized mode (ELM) crashes is necessary for ITER. The strategy to suppress all the ELM crashes by the resonant magnetic perturbation (RMP) should be applied as soon as the first low-to-high confinement (L–H) transition occurs. A control algorithm based on real-time machine learning (ML) enables such an approach: it classifies the H-mode transition and the ELMy phase in real-time and automatically applies the preemptive RMP. This paper reports the algorithm design, which is now implemented in the KSTAR plasma-control system, and the corresponding experimental demonstration of typical high-δ KSTAR H-mode plasmas. As a result, all initial ELM crashes are suppressed with an acceptable safety factor at the edge (q95) and with RMP field adjustment. Moreover, the ML-driven ELM crash suppression discharges remain stable without further degradation due to the regularization of the plasma pedestal.
ELM（周辺局在モード）クラッシュの抑制または緩和は、ITERにとって必要である。共鳴磁場摂動（RMP）によって全てのELMクラッシュを抑制する戦略は、最初のL-H遷移（低閉じ込めから高閉じ込めへの遷移）が発生すると直ちに適用されるべきである。実時間機械学習（ML）に基づく制御アルゴリズムは、このようなアプローチを可能にする。すなわち、Hモード遷移とELMy位相を実時間で分類し、先制的なRMPを自動的に適用する。本論文では、現在KSTARプラズマ制御システムに実装されているアルゴリズム設計と、典型的な高δ KSTAR Hモードプラズマにおける対応する実験的実証について報告する。その結果、全ての初期ELMクラッシュは、許容可能な周辺安全係数（q95）とRMP磁場調整により抑制された。さらに、ML駆動のELMクラッシュ抑制放電は、プラズマペデスタルの規則化により、それ以上の劣化を生じることなく安定に維持された。