In this paper, we present a new deep-learning disruption-prediction algorithm based on important findings from explorative data analysis which effectively allows knowledge transfer from existing devices to new ones, thereby predicting disruptions using very limited disruption data from the new devices. The explorative data analysis, conducted via unsupervised clustering techniques confirms that time-sequence data are much better separators of disruptive and non-disruptive behavior than the instantaneous plasma-state data, with further advantageous implications for a sequence-based predictor. Based on such important findings, we have designed a new algorithm for multi-machine disruption prediction that achieves high predictive accuracy for the C-Mod (AUC = 0.801), DIII-D (AUC = 0.947) and EAST (AUC = 0.973) tokamaks with limited hyperparameter tuning. Through numerical experiments, we show that a boosted accuracy (AUC = 0.959) is achieved for the EAST predictions by including only 20 disruptive discharges with thousands of non-disruptive discharges from EAST in the training, combined with more than a thousand discharges from DIII-D and C-Mod. The improvement in the predictive ability obtained by combining disruption data from other devices is found to be true for all permutations of the three devices. Furthermore, by comparing the predictive performance of each individual numerical experiment, we find that non-disruption data are machine-specific, while disruption data from multiple devices contain device-independent knowledge that can be used to inform predictions for disruptions occurring in a new device.
本論文では、探索的データ分析から得られた重要な知見に基づく新しい深層学習によるディスラプション予測アルゴリズムを提示する。このアルゴリズムは、既存の装置から新規装置への知識転移を効果的に可能にし、それにより新規装置からの極めて限られたディスラプションデータを用いた予測を実現する。教師なしクラスタリング手法を用いて実施された探索的データ分析は、時間系列データが瞬間的なプラズマ状態データよりもディスラプション挙動と非ディスラプション挙動をはるかに良好に分離することを確認しており、これは系列ベースの予測器にとってさらなる有利な含意を持つ。これらの重要な知見に基づき、限られたハイパーパラメータ調整でC-Mod（AUC = 0.801）、DIII-D（AUC = 0.947）、EAST（AUC = 0.973）トカマクに対して高い予測精度を達成する新しい多機種予測アルゴリズムを設計した。数値実験を通じて、EASTからのわずか20のディスラプション放電と数千の非ディスラプション放電を、DIII-DおよびC-Modからの1000を超える放電と組み合わせて訓練に含めることにより、EASTの予測において向上した精度（AUC = 0.959）が達成されることを示す。他の装置からのディスラプションデータを組み合わせることで得られる予測能力の向上は、3つの装置のすべての組み合わせにおいて成立することが見出された。さらに、各数値実験の予測性能を比較することにより、非ディスラプションデータは装置固有である一方、複数の装置からのディスラプションデータは、新規装置で発生するディスラプションの予測に利用可能な装置非依存の知識を含むことを見出した。