This study presents a machine learning model for predicting plasma disruptions using the KSTAR database. The model employs a long short-term memory (LSTM) network to capture temporal patterns in zero-dimensional plasma signals. A total of 668 disruption shots and 113 non-disruption shots from the 2019 to 2022 carbon divertor campaigns were used, divided into training, validation, and test sets. The architecture combines a multi-input LSTM and a fully connected neural network, using 30 features sampled over a 1 s window. The model achieved an AUC of 0.88 for individual samples and an F1 score of 0.91 in shot-by-shot evaluation, with over 90% accuracy for both disruption and non-disruption shots. Additional analysis using permutation importance and t-SNE visualization identified key features and confirmed the model’s interpretability. With an inference time of ∼3.1 ms per sample, the model shows strong potential for real-time application in plasma control systems.
本研究は、KSTARデータベースを用いてプラズマディスラプションを予測する機械学習モデルを提示する。このモデルは、長期短期記憶（LSTM）ネットワークを用いて、零次元プラズマ信号の時間パターンを捕捉する。2019年から2022年までの炭素ダイバータキャンペーンからの全668回のディスラプションショットと113回の非ディスラプションショットを使用し、トレーニングセット、検証セット、テストセットに分割した。アーキテクチャは、マルチ入力LSTMと全結合ニューラルネットワークを組み合わせたもので、1秒のウィンドウでサンプリングされた30の特徴量を使用する。モデルは、個々のサンプルについてAUC 0.88を達成し、ショット単位の評価ではF1スコア0.91を達成し、ディスラプションショットと非ディスラプションショットの両方で90%以上の精度を示した。置換重要度とt-SNE可視化を用いた追加解析により、主要な特徴量を特定し、モデルの解釈可能性を確認した。サンプルあたり約3.1ミリ秒の推論時間で、このモデルはプラズマ制御システムにおけるリアルタイム適用の強い可能性を示している。