We present a parsimonious and robust machine learning approach for identifying plasma confinement states in fusion power plants (FPPs) where reliable identification of the low-confinement and high-confinement regimes is critical for safe and efficient operation. Unlike research-oriented devices, FPPs must operate with a severely constrained set of diagnostics. To address this challenge, we demonstrate that a minimalist model, using only electron cyclotron emission (ECE) signals, can achieve accurate and reliable state classification. ECE provides electron temperature profiles without the engineering or survivability issues of in-vessel probes, making it a primary candidate for FPP-relevant diagnostics. Our framework employs ECE as input, extracts features using radial basis functions, and applies a gradient boosting classifier, achieving a test accuracy of 96% (correct predictions). Robustness analysis and feature importance analyzes confirm the approach’s reliability. These results demonstrate that state-of-the-art performance is attainable from a restricted diagnostic set, paving the way for minimalist yet resilient plasma control architectures for FPPs.
我々は、核融合発電所(FPP)におけるプラズマ閉じ込め状態を識別するための、簡潔で頑健な機械学習アプローチを提示する。FPPでは、低閉じ込め状態および高閉じ込め状態の確実な識別が安全かつ効率的な運転にとって重要である。研究指向の装置とは異なり、FPPは著しく制約された診断機器セットで運用されなければならない。この課題に対処するため、我々は電子サイクロトロン放射(ECE)信号のみを使用する最小限のモデルが、正確かつ信頼性の高い状態分類を達成できることを実証する。ECEは、炉内プローブの工学的問題や生存性の問題を伴わずに電子温度プロファイルを提供し、FPP関連の診断機器の主要な候補となる。我々のフレームワークはECEを入力として用い、動径基底関数を使用して特徴量を抽出し、勾配ブースティング分類器を適用して、テスト精度96%（正しい予測）を達成する。頑健性解析と特徴量重要度解析は、このアプローチの信頼性を裏付ける。これらの結果は、制限された診断機器セットから最先端の性能が達成可能であることを示し、FPPのための最小限でありながら回復力のあるプラズマ制御アーキテクチャへの道を開くものである。