In H-mode tokamak and stellarator plasmas, edge localized modes (ELMs) lead to the expulsion of heat and particles beyond the edge transport barrier. ELMs cause a loss of energy and have the potential to damage the divertor and other plasma facing components, which motivates efforts to forecast such events to work alongside mitigation systems. In this paper, we use the Doppler backscattering (DBS) diagnostic data as input to train a neural network model, adapted from DeepHit (Lee et alDeephit, AAAI (2018), to forecast the first ELM crash of H-mode discharges in DIII-D. The model takes 50ms of DBS spectrogram data and predicts the probability of an ELM crash occurring within set time windows. Training and testing on shots found in the DIII-D database, we find the initial results promising, with the model reliably forecasting the first ELM 100ms before it occurs. This successful proof-of-concept lays a strong foundation for a predictive tool that can deploy ELM-mitigation techniques before an ELM crash occurs. Future work will expand the training set with carefully selected shots and refine the neural network architecture to improve model robustness to noise and data variation.
Hモードのトカマクおよびヘリカルプラズマにおいて、周辺局在モード（ELM）は周辺輸送障壁を越えて熱と粒子の排出を引き起こす。ELMはエネルギーの損失を引き起こし、ダイバータやその他のプラズマ対向機器に損傷を与える可能性があるため、そのような事象を予測して緩和システムと併用する取り組みが動機づけられている。本論文では、ドップラー後方散乱（DBS）診断データを入力として用い、DeepHit（Leeら、AAAI（2018））を応用したニューラルネットワークモデルを訓練し、DIII-DにおけるHモード放電の最初のELMクラッシュを予測する。このモデルは50msのDBSスペクトログラムデータを入力とし、設定された時間窓内でELMクラッシュが発生する確率を予測する。DIII-Dデータベースに含まれるショットを用いて訓練とテストを行った結果、初期結果は有望であり、モデルは最初のELMを発生の100ms前に確実に予測した。この成功した概念実証は、ELMクラッシュが発生する前にELM緩和技術を展開できる予測ツールの強固な基盤を築くものである。今後の作業では、慎重に選択したショットで訓練セットを拡張し、ノイズやデータ変動に対するモデルの頑健性を向上させるためにニューラルネットワークのアーキテクチャを改良する。