Multi-layer perceptron based neural networks (NNs) are trained to predict the Troyon no-wall beta limits due to the onset of low-n (n = 1–3, n is the toroidal mode number) ideal external kink instabilities in tokamak plasmas. It is found that a well trained NN can predict the n = 1 no-wall beta limit within 10% relative error. The NN performance is somewhat worse for the n = 2 and 3 no-wall beta limits, but still a relative error within 20% is achievable. The trained NNs well reproduce the known dependences of the no-wall beta limits on the plasma pressure (pressure peaking factor) and current (plasma internal inductance) profiles. Other scalings are also easily established with NNs, for parametric dependences such as on the aspect ratio, the elongation and triangularity of the plasma boundary shape. The results show that the semi-analytically generated training database can be used to train NNs for predicting the no-wall limit in realistic experiments. These NN-based Troyon beta limit predictors can be incorporated into integrated modeling platforms, or directly implemented as a real time stability estimator for the purpose of disruption avoidance or mitigation during experiments.
多層パーセプトロンに基づくニューラルネットワーク（NN）を訓練し、トカマクプラズマにおける低n（n = 1–3、nはトロイダルモード数を表す）理想外部キンク不安定性の発生による無壁ベータ限界を予測する。十分に訓練されたNNは、n = 1の無壁ベータ限界を10%以内の相対誤差で予測できることが見出された。NNの性能はn = 2および3の無壁ベータ限界に対してはやや劣るものの、20%以内の相対誤差は達成可能である。訓練されたNNは、プラズマ圧力（圧力ピーキング係数）および電流（プラズマ内部インダクタンス）分布に対する無壁ベータ限界の既知の依存性を良好に再現する。さらに、アスペクト比、伸長度、およびプラズマ境界形状の三角形度などのパラメトリック依存性についても、NNを用いて他のスケーリング則を容易に確立できる。これらの結果は、半解析的に生成された訓練データベースを用いて、実験における無壁限界を予測するNNを訓練できることを示している。これらのNNベースのTroyonベータ限界予測器は、統合モデリングプラットフォームに組み込むことができ、また、実験中のディスラプション回避または緩和を目的としたリアルタイム安定性推定器として直接実装することも可能である。