Detecting disruptions with sufficient anticipation time is essential to undertake any form of remedial strategy, mitigation or avoidance. Traditional predictors based on machine learning techniques can be very performing, if properly optimised, but do not provide a natural estimate of the quality of their outputs and they typically age very quickly. In this paper a new set of tools, based on probabilistic extensions of support vector machines (SVM), are introduced and applied for the first time to JET data. The probabilistic output constitutes a natural qualification of the prediction quality and provides additional flexibility. An adaptive training strategy 'from scratch' has also been devised, which allows preserving the performance even when the experimental conditions change significantly. Large JET databases of disruptions, covering entire campaigns and thousands of discharges, have been analysed, both for the case of the graphite and the ITER Like Wall. Performance significantly better than any previous predictor using adaptive training has been achieved, satisfying even the requirements of the next generation of devices. The adaptive approach to the training has also provided unique information about the evolution of the operational space. The fact that the developed tools give the probability of disruption improves the interpretability of the results, provides an estimate of the predictor quality and gives new insights into the physics. Moreover, the probabilistic treatment permits to insert more easily these classifiers into general decision support and control systems.
十分な先行時間を持ってディスラプションを検出することは、いかなる形態の是正戦略、緩和、または回避を実施するためにも不可欠である。機械学習技術に基づく従来の予測器は、適切に最適化されれば非常に高い性能を発揮し得るが、その出力の品質を自然に推定することはできず、また典型的には急速に陳腐化する。本論文では、サポートベクターマシン（SVM）の確率的拡張に基づく新しいツール群を紹介し、JETデータに初めて適用する。確率的出力は予測品質の自然な評価を構成し、追加の柔軟性を提供する。また、「ゼロから」の適応的学習戦略も考案されており、これにより実験条件が大きく変化した場合でも性能を維持することが可能となる。全キャンペーンと数千の放電を網羅する大規模なJETディスラプションデータベースが、グラファイト壁とITERライク壁の両方の場合について解析された。適応的学習を用いた従来のいかなる予測器よりも大幅に優れた性能が達成され、次世代装置の要件さえも満たしている。学習への適応的アプローチは、運転領域の進化に関する独自の情報も提供した。開発されたツールがディスラプションの確率を与えるという事実は、結果の解釈可能性を向上させ、予測器の品質の推定を提供し、物理への新たな洞察を与える。さらに、確率的扱いにより、これらの分類器を一般的な意思決定支援および制御システムにより容易に組み込むことが可能になる。