The real-time response monitoring model and the physics feature based response optimization model are proposed on EAST using three deep learning models. Compared with the widely used fully connected neural network (FNN) and convolutional neural network—long short-term memory (CNN–LSTM) models, the inverted transformer (iTransformer) model, which uses the attention mechanism to more naturally capture multivariate dependencies, demonstrates the best overall performance. For real-time response monitoring, the iTransformer model is trained on 133157 experimental samples with 4-fold toroidal phase symmetry augmentation. This model establishes a direct nonlinear mapping from resonant magnetic perturbation (RMP) coils and electromagnetic measurement sensors to the plasma response. With an inference time per discharge of less than , it can provide real-time response monitoring under flexible three-dimensional (3D) fields. For experimental response optimization, the physics feature based iTransformer model is trained on 12080 filtered experimental samples. This model captures the dependence of the response amplitude on key parameters, including , , , , , , and . Combined with SHapley Additive exPlanations (SHAP) analysis, it provides interpretable insights into parameter influences and directly guides the optimization of 3D field experimental discharges. This work establishes a comprehensive framework for real-time monitoring and physics feature based optimization of plasma responses based on statistical patterns in large datasets, thereby paving the way for active control of error-field locked mode and edge localized mode (ELM).
EASTにおいて、3つの深層学習モデルを用いて、リアルタイム応答監視モデルと物理特徴量に基づく応答最適化モデルが提案されている。広く用いられている全結合ニューラルネットワーク（FNN）および畳み込みニューラルネットワーク-長期短期記憶（CNN–LSTM）モデルと比較して、アテンション機構を用いて多変量依存性をより自然に捉える逆変換トランスフォーマー（iTransformer）モデルは、全体的に最も優れた性能を示す。リアルタイム応答監視のために、iTransformerモデルは、4倍のトロイダル位相対称性データ拡張を用いた133157の実験サンプルで学習される。このモデルは、共鳴磁場摂動（RMP）コイルおよび電磁計測センサーからプラズマ応答への直接的な非線形写像を確立する。1回の放電あたりの推論時間は未満、であり、柔軟な三次元（3D）磁場下でのリアルタイム応答監視を提供できる。実験応答最適化のために、物理特徴量に基づくiTransformerモデルは、12080のフィルタリング済み実験サンプルで学習される。このモデルは、応答振幅の主要パラメータ（, , , , , , および ）への依存性を捕捉する。SHapley Additive exPlanations (SHAP) 解析と組み合わせることで、パラメータの影響に関する解釈可能な洞察を提供し、3D磁場実験放電の最適化を直接導く。この研究は、大規模データセット内の統計的パターンに基づくプラズマ応答のリアルタイム監視と物理特徴量に基づく最適化のための包括的なフレームワークを確立し、これにより誤差磁場ロックモードおよび周辺局在モード（ELM）の能動制御への道を開く。