Machine learning offers a data-driven approach for rapid pre-shot prediction of key plasma parameters in tokamak experiments. In this study, random forest, support vector regression (SVR), and independent single-output multilayer perceptron (MLP) models were developed to predict macroscopic and dimensionless plasma parameters in EAST under H-mode operation. Ten experimentally accessible parameters—plasma current, toroidal magnetic field, line-averaged density, radiative power loss, confinement enhancement factor, Greenwald density ratio, safety factor, normalized beta, triangularity, and elongation—were used as inputs. Five targets were predicted: normalized ion gyroradius ρ*, normalized collisionality ν*, internal inductance li, poloidal beta βP, and central ion temperature Ti0. To avoid data leakage from correlated samples within the same discharge, a discharge-based splitting strategy was adopted, assigning complete discharges exclusively to either the training or testing set. Performance was evaluated using R2 and mean relative percentage error. SVR provides the most balanced overall performance, achieving high testing accuracy for most targets, especially ρ* and βP. The independent MLP models show strong nonlinear modeling capability, particularly for ν*, whereas RF provides acceptable baseline performance but is limited by weak extrapolation when training and testing distributions differ. Robustness tests with 5% Gaussian input perturbations show that SVR maintains stable predictions for most variables, especially ρ*, ν*, and βP. MLP also remains robust for ν* and βP, while Ti0 and li are more challenging because of their stronger dependence on current profile, temperature profile, transport behavior, and equilibrium state. Compared with conventional zero-dimensional scaling-law predictions, the machine learning models show improved agreement with experimental measurements and greater nonlinear mapping flexibility. These results indicate that SVR is a suitable and robust model for multi-parameter pre-shot prediction in EAST, while MLP may benefit from larger datasets.
機械学習は、トカマク実験における主要なプラズマパラメータの迅速な事前予測のためのデータ駆動型アプローチを提供する。本研究では、ランダムフォレスト、サポートベクター回帰（SVR）、および独立した単一出力多層パーセプトロン（MLP）モデルを開発し、Hモード運転下のEASTにおける巨視的および無次元プラズマパラメータを予測した。入力として、実験的にアクセス可能な10個のパラメータ——プラズマ電流、トロイダル磁場、線平均密度、放射損失電力、閉じ込め増倍係数、グリーンワルド密度比、安全係数、規格化ベータ、三角変形度、伸長度——を用いた。予測対象は5つである：規格化イオンジャイロ半径ρ*、規格化衝突度ν*、内部インダクタンスli、ポロイダルベータβP、中心イオン温度Ti0。同一ディスチャージ内の相関サンプルからのデータ漏洩を避けるため、ディスチャージベースの分割戦略を採用し、完全なディスチャージをトレーニングセットまたはテストセットのいずれかに排他的に割り当てた。性能はR2および平均相対誤差率を用いて評価した。SVRは最もバランスの取れた全体的性能を提供し、特にρ*およびβPについて高いテスト精度を達成した。独立したMLPモデルは、特にν*に対して強い非線形モデリング能力を示す一方、RFは許容可能なベースライン性能を提供するが、トレーニング分布とテスト分布が異なる場合の外挿が弱いという制限がある。5%のガウス入力摂動を用いたロバスト性試験では、SVRはほとんどの変数、特にρ*、ν*、βPに対して安定した予測を維持することが示された。MLPもν*およびβPに対してロバスト性を維持するが、Ti0およびliは、電流分布、温度分布、輸送挙動、および平衡状態への依存性がより強いため、より困難である。従来のゼロ次元スケーリング則予測と比較して、機械学習モデルは実験測定との一致が改善され、より大きな非線形マッピング柔軟性を示す。これらの結果は、SVRがEASTにおける多パラメータ事前予測に適したロバストなモデルであることを示す一方、MLPはより大きなデータセットから恩恵を受ける可能性があることを示している。