Empirical studies of the scaling of Tokamak energy confinement times with machine parameters constitute a useful point of contact with physics-based transport theories. They also form the basis for the design of next-step and reactor grade Tokamaks. In most cases a simple power law (or sometimes offset linear) functional form is fitted to the data. Such linear regression techniques have the advantage of computational simplicity, but otherwise have little a-priori justification. Neural networks provide a powerful general purpose technique for nonlinear regression which exhibits no essential limitations on the functional form which can be fitted. The authors apply neural networks to the problem of energy confinement scaling and they illustrate the technique using the data from the JET (Joint European Torus) Tokamak. The results show that the neural network approach leads to a substantial improvement in the ability to predict the energy confinement times as compared with linear regression. The significance of this result is discussed.
トカマクのエネルギー閉じ込め時間の機械パラメータに対するスケーリングに関する経験的研究は、物理に基づく輸送理論との有益な接点を構成する。それらはまた、次世代および炉級トカマクの設計の基礎を形成する。ほとんどの場合、単純なべき乗則（または時にはオフセット線形）の関数形がデータに適合される。このような線形回帰手法は計算の単純さという利点があるが、それ以外には事前の正当性はほとんどない。ニューラルネットワークは、非線形回帰のための強力な汎用手法を提供し、適合可能な関数形に本質的な制限がない。著者らは、エネルギー閉じ込めスケーリングの問題にニューラルネットワークを適用し、JET（共同欧州トーラス）トカマクのデータを用いてその手法を説明する。結果は、ニューラルネットワークアプローチが線形回帰と比較してエネルギー閉じ込め時間の予測能力の大幅な向上をもたらすことを示している。この結果の重要性について議論される。