First results are reported on the prediction of disruptions in one tokamak, based on neural networks trained on another tokamak. The studies use data from the JET and ASDEX Upgrade devices, with a neural network trained on just seven normalized plasma parameters. In this way, a simple single layer perceptron network trained solely on JET correctly anticipated 67% of disruptions on ASDEX Upgrade in advance of 0.01 s before the disruption. The converse test led to a 69% success rate in advance of 0.04 s before the disruption in JET. Only one overall time scaling parameter is allowed between the devices, which can be introduced from theoretical arguments. Disruption prediction performance based on such networks trained and tested on the same device shows even higher success rates (JET, 86%; ASDEX Upgrade, 90%), despite the small number of inputs used and simplicity of the network. It is found that while performance for networks trained and tested on the same device can be improved with more complex networks and many adjustable weights, for cross-machine testing the best approach is a simple single layer perceptron. This offers the basis of a potentially useful technique for large future devices such as ITER, which with further development might help to reduce disruption frequency and minimize the need for a large disruption campaign to train disruption avoidance systems.
あるトカマクにおけるディスラプション予測について、別のトカマクで訓練されたニューラルネットワークに基づく最初の結果が報告される。研究ではJETおよびASDEX Upgrade装置のデータを用い、わずか7つの正規化されたプラズマパラメータで訓練されたニューラルネットワークを使用する。このようにして、JETのみで訓練された単純な単層パーセプトロンネットワークは、ディスラプションの0.01秒前にASDEX Upgradeでのディスラプションの67%を正しく予測した。逆のテストでは、JETでのディスラプションの0.04秒前に69%の成功率となった。装置間では、理論的議論から導入できる唯一の全体的な時間スケーリングパラメータのみが許容される。同じ装置で訓練およびテストされたそのようなネットワークに基づくディスラプション予測性能は、使用される入力の数が少なくネットワークが単純であるにもかかわらず、さらに高い成功率（JET 86%、ASDEX Upgrade 90%）を示す。同じ装置で訓練およびテストされたネットワークの性能は、より複雑なネットワークと多数の調整可能な重みによって改善できる一方で、装置間テストには単純な単層パーセプトロンが最良のアプローチであることが見出された。これは、ITERのような将来の大型装置にとって潜在的に有用な技術の基礎を提供する。さらなる開発により、ディスラプション頻度を低減し、ディスラプション回避システムを訓練するための大規模なディスラプションキャンペーンの必要性を最小限に抑えるのに役立つ可能性がある。