Reliable operation of burning plasma tokamaks will require robust control strategies to avoid macroscopic instability limits such as the L-mode and H-mode density limits (LDL, HDL). In this work, we explore closed-loop avoidance of these phenomena at DIII-D using machine-learned risk metrics. Feedback control is implemented via the ‘DL Supervisor’ scheme, which regulates the chosen risk metric by reducing the density target or increasing NBI heating in real-time. Using the risk metric, the LDL is reproducibly suppressed. We also introduce an HDL risk metric in this study, , which reduces the False Positive Rate by 2x compared to the Greenwald fraction. Applying this scaling to a plasma current ramp-down, we successfully avoid an HDL-driven H/L back-transition. These experiments constitute the first demonstration of real-time DL avoidance using machine-learned risk metrics. These instability metrics outline a path to safer high-density operation, more reliable ramp-down scenarios, and improved off-normal control for next-step devices such as ITER and SPARC.
燃焼プラズマトカマクの信頼性の高い運転には、LモードおよびHモード密度限界（LDL、HDL）などのマクロ不安定性限界を回避するための堅牢な制御戦略が必要となる。本研究では、DIII-Dにおいて機械学習によるリスク指標を用いて、これらの現象の閉ループ回避を探求する。フィードバック制御は「DL Supervisor」スキームを介して実装され、密度目標を低減するか、またはNBI加熱をリアルタイムで増加させることにより、選択されたリスク指標を調節する。 リスク指標を用いることで、LDLは再現可能に抑制される。また、本研究ではHDLリスク指標 を導入し、これはGreenwald割合と比較して偽陽性率を2x低減する。このスケーリングをプラズマ電流ランプダウンに適用し、HDL駆動のH/L逆遷移を首尾よく回避する。これらの実験は、機械学習によるリスク指標を用いたリアルタイムDL回避の最初の実証を構成する。これらの不安定性指標は、より安全な高密度運転、より信頼性の高いランプダウンシナリオ、およびITERやSPARCなどの次世代装置における改良された異常時制御への道筋を示すものである。