During a tokamak discharge, the plasma can vary between different confinement regimes: low (L), high (H) and, in some cases, a temporary (intermediate state), called dithering (D). In addition, while the plasma is in H mode, edge localized modes (ELMs) can occur. The automatic detection of changes between these states, and of ELMs, is important for tokamak operation. Motivated by this, and by recent developments in deep learning, we developed and compared two methods for automatic detection of the occurrence of L-D-H transitions and ELMs, applied on data from the TCV tokamak. These methods consist in a convolutional neural network and a convolutional long short term memory neural network. We measured our results with regards to ELMs using ROC curves and Youden's score index, and regarding state detection using Cohen's Kappa index.
トカマク放電中、プラズマは異なる閉じ込め状態の間で変化し得る：低（L）状態、高（H）状態、そして場合によっては一時的な（中間状態）であるディザリング（dithering）と呼ばれる状態である。さらに、プラズマがH状態にある間、周辺局在モード（ELMs）が発生し得る。これらの状態間の遷移、およびELMsの発生の自動検出は、トカマク運転にとって重要である。この動機と、深層学習における最近の進展に基づき、我々は、TCVトカマクのデータに適用した、L-H遷移およびELMsの発生の自動検出のための2つの手法を開発し、比較した。これらの手法は、畳み込みニューラルネットワークと、畳み込み長期短期記憶ニューラルネットワークから構成される。我々は、ELMsに関する結果をROC曲線とユーデンの指数を用いて評価し、状態検出に関する結果をコーエンのカッパ係数を用いて評価した。