It is shown that concepts from survival analysis (branch of statistics dealing with various types of time-to-event data) are helpful when trying to quantify and understand the onset of tearing modes in tokamaks. It is argued that a probabilistic event prediction problem should be decomposed into (i) dynamical system evolution and (ii) event hazard function integration. Successful machine learning of a hazard (events per time) function from experimental data is demonstrated. The hazard function exhibits statistical properties that are consistent with expectation. A specific tearing delta-prime proxy is found to not contribute to the likelihood of the hazard function for the present case. Although in this paper the event is the onset of a tearing mode in a particular plasma scenario, these ideas should be equally applicable to disruption events.
生存分析（さまざまな種類の事象発生までの時間データを扱う統計学の一分野）の概念が、トカマクにおけるティアリングモードの発生を定量化し理解する際に有用であることを示す。確率論的な事象予測問題は、(i) 力学系の時間発展と、(ii) 事象ハザード関数の積分という2つの要素に分解されるべきであると論じる。実験データからのハザード関数（単位時間あたりの事象発生数）の機械学習が成功したことを実証する。このハザード関数は、期待と整合的な統計的性質を示す。特定のティアリングデルタプライ代理変数は、今回のケースにおいてハザード関数の尤度に寄与しないことが判明した。本論文では事象が特定のプラズマシナリオにおけるティアリングモードの発生であるが、これらの考え方はディスラプション事象にも同様に適用可能であるべきである。