The identification of plasma confinement states (L-mode, ELM-free H-mode, and ELMy H-mode) is carried out using a multi-task learning neural network (MTL-NN) in EAST. The identification process can be divided into two tasks: identifying the operational modes and detecting the edge localized modes (ELMs). Dα and Mirnov coil measurements are selected as features for detecting the ELM. Parameters from scaling laws, which are related to thermal energy confinement time and heating threshold of L–H transition, are selected as features for identifying the operational modes. The data set used for supervised learning is collected from ELM control experiments in EAST. The MTL-NN comprises two task-specific layers and a shared layer. The multi-task learning framework allows for mutual error correction between tasks, resulting in higher accuracy and robustness compared to single-task models. Evaluation results demonstrate that the MTL-NN achieves an accuracy of 96.7% on the test set, representing a 3.6% improvement compared to single-task models.
プラズマ閉じ込め状態（Lモード、ELMフリーHモード、およびELMy Hモード）の識別は、EASTにおいて多タスク学習ニューラルネットワーク（MTL-NN）を用いて行われる。識別プロセスは、運転モードの識別と周辺局在モード（ELM）の検出という2つのタスクに分けられる。Dαおよびミルノフコイル測定値は、ELM検出の特徴量として選択される。熱エネルギー閉じ込め時間およびL-H遷移の加熱閾値に関連するスケーリング則からのパラメータは、運転モード識別の特徴量として選択される。教師あり学習に使用されるデータセットは、EASTにおけるELM制御実験から収集される。MTL-NNは、2つのタスク特化層と1つの共有層で構成される。多タスク学習フレームワークは、タスク間の相互誤差補正を可能にし、単一タスクモデルと比較してより高い精度とロバスト性をもたらす。評価結果は、MTL-NNがテストセットで96.7%の精度を達成し、単一タスクモデルと比較して3.6%の改善を示すことを実証している。