Tokamaks allow to confine fusion plasma with magnetic fields. The prediction/reconstruction of the last closed-flux surface (LCFS) is one of the primary challenges in the control of the magnetic configuration. The evolution in time of the LCFS is determined by the interaction between the actuator coils and the internal tokamak plasma. This task requires real-time capable tools to deal with high-dimensional data and high resolution at same time, where the interaction between a wide range of input actuator coils with internal plasma state responses adds an additional layer of complexity. In this work, we present the application of a novel state-of-the-art machine learning model to LCFS reconstruction in an experimental advanced superconducting tokamak (EAST) that learns automatically from the experimental data of EAST. This architecture allows not only offline simulation and testing of a particular control strategy but can also be embedded in a real-time control system for online magnetic equilibrium reconstruction and prediction. In real-time modeling tests, our approach achieves very high accuracies, with an average similarity of over 99% in the LCFS reconstruction of the entire discharge process.
トカマクは、磁場によって核融合プラズマを閉じ込めることを可能にする。最終閉磁気面（LCFS）の予測・再構成は、磁気配位の制御における主要な課題の一つである。LCFSの時間的発展は、アクチュエータコイルと内部のトカマクプラズマとの相互作用によって決定される。この課題には、高次元データと高解像度を同時に扱うリアルタイム対応ツールが必要であり、広範囲の入力アクチュエータコイルと内部プラズマ状態応答との相互作用が、複雑さの層をさらに加えている。本研究では、EASTの実験データから自動的に学習する新規な最先端機械学習モデルの、実験先進超伝導トカマク（EAST）におけるLCFS再構成への適用を紹介する。このアーキテクチャは、特定の制御戦略のオフラインシュレーションおよびテストを可能にするだけでなく、オンライン磁気平衡再構成および予測のためのリアルタイム制御システムに組み込むこともできる。リアルタイムモデリングテストにおいて、我々の手法は非常に高い精度を達成し、全放電過程のLCFS再構成において平均類似度99%以上を得た。