Using machine learning (ML) techniques to develop disruption predictors is an effective way to avoid or mitigate the disruption in a large-scale tokamak. The recent ML-based disruption predictors have made great progress regarding accuracy, but most of them have not achieved acceptable cross-machine performance. Before we develop a cross-machine predictor, it is very important to investigate the method of developing a cross-tokamak ML-based disruption prediction model. To ascertain the elements which impact the model's performance and achieve a deep understanding of the predictor, multiple models are trained using data from two different tokamaks, J-TEXT and HL-2A, based on an implementation of the gradient-boosted decision trees algorithm called LightGBM, which can provide detailed information about the model and input features. The predictor models are not only built and tested for performance, but also analyzed from a feature importance perspective as well as for model performance variation. The relative feature importance ranking of two tokamaks is caused by differences in disruption types between different tokamaks. The result of two models with seven inputs showed that common diagnostics is very important in building a cross-machine predictor. This provided a strategy for selecting diagnostics and shots data for developing cross-machine predictors.
大規模トカマクにおけるディスラプションを回避または軽減するための効果的な方法として、機械学習（ML）技術を用いたディスラプション予測器の開発が進められている。近年のMLベースのディスラプション予測器は精度の面で大きな進歩を遂げているが、その多くはクロスマシン性能において満足のいく結果を達成していない。クロスマシン予測器を開発する前に、クロストカマクMLベースのディスラプション予測モデルを構築する方法を調査することが極めて重要である。モデルの性能に影響を与える要素を明らかにし、予測器に対する深い理解を得るために、J-TEXTとHL-2Aという2つの異なるトカマクのデータを用いて、勾配ブースティング決定木アルゴリズムの実装であるLightGBMに基づく複数のモデルを訓練した。予測モデルは性能評価のために構築・テストされるだけでなく、特徴量重要度の観点とモデル性能の変動の観点の両方から分析された。2つのトカマク間での相対的な特徴量重要度ランキングの差異は、異なるトカマク間でのディスラプションタイプの違いに起因するものであった。7つの入力を持つ2つのモデルの結果から、共通診断がクロスマシン予測器の構築において極めて重要であることが示された。これにより、クロスマシン予測器を開発するための診断およびショットデータの選択戦略が提供された。