We present a machine learning-based magnetohydrodynamic (MHD) classifier and regressor that utilizes real or complex-valued 3D magnetic sensor array data to determine neoclassical tearing mode (NTM) onset times in tokamaks with millisecond accuracy. The input dataset consists of poloidal profiles of complex Fourier amplitudes with an n = 1 toroidal mode number from 144 human-labeled ITER Baseline Scenario discharges in the DIII-D tokamak, spanning both tearing-dominated and sawtooth-dominated regimes. Since NTMs frequently emerge alongside sawteeth at the same frequency in this scenario, the focus is on isolating the m = 1 and m = 2 components of the n = 1 MHD mode near the tearing onset. To improve model regularization and prediction stability, singular value decomposition was applied to balance the sawtooth and tearing datasets. The enriched datasets facilitated training neural networks that learn the key distinguishing features of sawtooth and tearing modes in the poloidal profiles of their magnetic amplitude and phase. When the modes occur independently, the networks achieve perfect classification due to the modes’ distinct characteristics and low measurement noise. In the more experimentally relevant case where both modes coexist, the networks maintain exceptional performance across key metrics. Tests on synthetic data with known ground truth demonstrate the superior accuracy of the neural network trained on complex-valued input compared to models using real amplitude, phase, or pseudo-complex data, achieving both a mean time delay and standard deviation below 1 ms. Notably, standard linear regression methods fitting the dominant singular modes to the data closely match the neural network’s performance. Applying these methods across a broad range of H-mode scenarios will enable future studies to systematically identify dominant NTM triggers as scenario-specific variables, paving the way for more effective tearing mode avoidance strategies in future fusion reactor designs.
我々は、実数値または複素数値の3次元磁気センサーアレイデータを利用して、トカマクにおける新古典テアリングモード（NTM）の開始時刻をミリ秒精度で決定する、機械学習ベースの電磁流体力学（MHD）分類器および回帰器を提示する。入力データセットは、DIII-DトカマクにおけるITERベースラインシナリオの144回の人間がラベル付けした放電から得られた、n=1トロイダルモード数を持つ複素フーリエ振幅のポロイダルプロファイルから構成され、テアリング支配と鋸歯状振動支配の両方の領域にわたる。このシナリオでは、NTMが同じ周波数の鋸歯状振動とともに頻繁に発生するため、テアリング開始近傍で、n=1 MHDモードのm=1およびm=2成分を分離することに焦点を当てている。モデルの正則化と予測安定性を向上させるために、特異値分解を適用して鋸歯状振動とテアリングのデータセットのバランスを取った。拡充されたデータセットにより、磁気振幅と位相のポロイダルプロファイルにおける鋸歯状モードとテアリングモードの重要な識別特徴を学習するニューラルネットワークのトレーニングが容易になった。モードが独立して発生する場合、モードの明確な特徴と低い測定ノイズにより、ネットワークは完全な分類を達成する。両方のモードが共存する、より実験的に現実的な場合でも、ネットワークは主要な指標にわたって優れた性能を維持する。既知のグラウンドトゥルースを持つ合成データでのテストは、複素数値入力でトレーニングされたニューラルネットワークが、実振幅、位相、または擬似複素数データを使用するモデルと比較して優れた精度を示し、平均時間遅延と標準偏差の両方が1 ms未満を達成することを実証している。注目すべきことに、支配的な特異モードをデータに適合させる標準的な線形回帰法は、ニューラルネットワークの性能に密に一致する。これらの手法を広範囲のHモードシナリオに適用することで、将来の研究がシナリオ固有の変数として支配的なNTMトリガーを体系的に特定できるようになり、将来の核融合炉設計におけるより効果的なテアリングモード回避戦略への道を開くことになる。