Correct and timely detection of plasma confinement regimes and edge localized modes (ELMs) is important for improving the operation of tokamaks. Existing machine learning approaches detect these regimes as a form of post-processing of experimental data. Moreover, they are typically trained on a large dataset of tens of labeled discharges, which may be costly to build. We investigate the ability of current machine learning approaches to detect the confinement regime and ELMs with the smallest possible delay after the latest measurement. We also demonstrate that including unlabeled data into the training process can improve the results in a situation where only a limited set of reliable labels is available. All training and validation is performed on data from the COMPASS tokamak. The InceptionTime architecture trained using a semi-supervised approach was found to be the most accurate method based on the set of tested variants. It is able to achieve good overall accuracy of the regime classification at the time instant of 100 µs delayed behind the latest data record. We also evaluate the capability of the model to correctly predict class transitions. While ELM occurrence can be detected with a tolerance smaller than 50 µs, detection of the confinement regime transition is more demanding and it was successful with 2 ms tolerance. Sensitivity studies to different values of model parameters are provided. We believe that the achieved accuracy is acceptable in practice and the method could be used in real-time operation.
トカマクの運転改善には、プラズマ閉じ込め状態とエッジ局在モード（ELM）の正確かつ迅速な検出が重要である。既存の機械学習手法は、実験データの後処理としてこれらの状態を検出する。さらに、それらは通常、ラベル付けされた数十回の放電からなる大規模なデータセットで訓練されるが、そのようなデータセットの構築にはコストがかかる可能性がある。我々は、最新の測定から可能な限り短い遅延で閉じ込め状態とELMを検出するための、現在の機械学習手法の能力を調査する。また、信頼できるラベルが限られた状況において、訓練プロセスにラベルなしデータを含めることで結果が改善されることを示す。すべての訓練と検証は、COMPASSトカマクのデータを用いて実施される。検証した手法群の中で、半教師ありアプローチで訓練されたInceptionTimeアーキテクチャが最も高い精度を示した。この手法は、最新のデータ記録から100マイクロ秒（µs）遅延した時点で、閉じ込め状態の分類において良好な全体精度を達成できる。さらに、モデルがクラス遷移を正しく予測する能力も評価する。ELMの発生は50 µs未満の許容誤差で検出可能である一方、閉じ込め状態遷移の検出はより困難であり、2ミリ秒（ms）の許容誤差で成功した。モデルパラメータの異なる値に対する感度解析も提供する。我々は、達成された精度が実用上許容可能であり、この手法がリアルタイム運転に使用できると考える。