The high acquisition cost and the significant demand for disruptive discharges for data-driven disruption prediction models in future tokamaks pose an inherent contradiction in disruption prediction research. In this paper, we demonstrated a novel approach to predict disruption in a future tokamak using only a few discharges based on domain adaptation (DA). The approach aims to predict disruption by finding a feature space that is universal to all tokamaks. The first step is to use the existing understanding of physics to extract physics-guided features from the diagnostic signals of each tokamak, called physics-guided feature extraction (PGFE). The second step is to align a few data from the future tokamak (target domain) and a large amount of data from existing tokamaks (source domain) based on a DA algorithm called CORrelation ALignment (CORAL). It is the first attempt at applying DA in the cross-tokamak disruption prediction task. PGFE has been successfully applied in J-TEXT to predict disruption with excellent performance. PGFE can also reduce the data volume requirements due to extracting the less device-specific features, thereby establishing a solid foundation for cross-tokamak disruption prediction. We have further improved CORAL called supervised CORAL (S-CORAL) to enhance its appropriateness in feature alignment for the disruption prediction task. To simulate the existing and future tokamak case, we selected J-TEXT as the existing tokamak and EAST as the future tokamak, which has a large gap in the ranges of plasma parameters. The utilization of the S-CORAL improves the disruption prediction performance on future tokamak. Through interpretable analysis, we discovered that the learned knowledge of the disruption prediction model through this approach exhibits more similarities to the model trained on large data volumes of future tokamak. This approach provides a light, interpretable and few data-required ways by aligning features to predict disruption using small data volume from the future tokamak.
将来のトカマクにおけるデータ駆動型ディスラプション予測モデルにとって、ディスラプション放電の獲得コストが高く、かつその需要が大きいことは、ディスラプション予測研究における本質的な矛盾を引き起こす。本論文では、ドメイン適応（DA）に基づき、わずかな放電のみを用いて将来のトカマクにおけるディスラプションを予測する新しいアプローチを実証した。このアプローチは、全てのトカマクに普遍的な特徴空間を見つけることにより、ディスラプションを予測することを目的とする。最初のステップは、既存の物理学的理解を用いて、各トカマクの診断信号から物理ガイド付き特徴を抽出することであり、これは物理ガイド付き特徴抽出（PGFE）と呼ばれる。第二のステップは、CORrelation ALignment（CORAL）と呼ばれるDAアルゴリズムに基づいて、将来のトカマク（ターゲットドメイン）からの少量のデータと、既存のトカマク（ソースドメイン）からの大量のデータを整列させることである。これは、クロストカマクディスラプション予測タスクにDAを適用する最初の試みである。PGFEはJ-TEXTにおいて、優れた性能でディスラプションを予測することに成功している。PGFEはまた、装置固有性の低い特徴を抽出するため、データ量の要件を低減でき、それによりクロストカマクディスラプション予測のための強固な基盤を確立する。我々はさらに、ディスラプション予測タスクにおける特徴整列の適合性を高めるために、CORALを改良した教師付きCORAL（S-CORAL）を開発した。既存および将来のトカマクのケースをシミュレートするために、既存のトカマクとしてJ-TEXTを、将来のトカマクとしてEASTを選択した。これらはプラズマパラメータの範囲に大きな隔たりがある。S-CORALの利用は、将来のトカマクにおけるディスラプション予測性能を向上させる。解釈可能な分析を通じて、このアプローチによるディスラプション予測モデルの学習知識が、将来のトカマクの大量データで訓練されたモデルにより多くの類似性を示すことを発見した。このアプローチは、将来のトカマクからの少量のデータを用いてディスラプションを予測するために特徴を整列させることにより、軽量で、解釈可能で、必要データ量が少ない方法を提供する。