In the initial stages of operation for future tokamak, facing limited data availability, deploying data-driven disruption predictors requires optimal performance with minimal use of new device data. This paper studies the issue of data utilization in data-driven disruption predictor during cross tokamak deployment. Current predictors primarily employ supervised learning methods and require a large number of disruption and non-disruption shots for training. However, the scarcity and high cost of obtaining disruption shots for future tokamaks result in imbalanced training datasets, reducing the performance of supervised learning predictors. To solve this problem, we propose the Enhanced Convolutional Autoencoder Anomaly Detection (E-CAAD) predictor. E-CAAD can be trained only by non-disruption samples and can also be trained by disruption precursor samples when disruption shots occur. This model not only overcomes the sample imbalance in supervised learning predictors, but also overcomes the inefficient dataset utilization faced by traditional anomaly detection predictors that cannot use disruption precursor samples for training, making it more suitable for the unpredictable datasets of future tokamaks. Compared to traditional anomaly detection predictors, the E-CAAD predictor performs better in disruption prediction and is deployed faster on new devices. Additionally, we explore strategies to accelerate the deployment of the E-CAAD predictor on the new device by using data from existing devices. Two deployment strategies are presented: mixing data from existing devices and fine-tuning the predictor trained on existing devices. Our comparisons indicate that the data from existing device can accelerate the deployment of predictor on new device. Notably, the fine-tuning strategy yields the fastest deployment on new device among the designed strategies.
将来のトカマクの運転初期段階において、利用可能なデータが限られている中で、データ駆動型ディスラプション予測器を展開するには、新しい装置のデータを最小限に使用して最適な性能を達成することが求められる。本論文では、トカマク間展開中のデータ駆動型ディスラプション予測器におけるデータ利用の問題を研究する。現在の予測器は主に教師あり学習手法を採用しており、訓練のために多数のディスラプション・ショットと非ディスラプション・ショットを必要とする。しかし、将来のトカマクにおけるディスラプション・ショットの入手は稀であり、コストが高いため、訓練データセットが不均衡になり、教師あり学習予測器の性能を低下させる。この問題を解決するために、我々は拡張畳み込みオートエンコーダ異常検知（E-CAAD）予測器を提案する。E-CAADは非ディスラプション・サンプルのみで訓練することができ、またディスラプション・ショットが発生した場合にはディスラプション前駆サンプルを用いて訓練することもできる。このモデルは、教師あり学習予測器におけるサンプル不均衡を克服するだけでなく、ディスラプション前駆サンプルを訓練に使用できない従来の異常検知予測器が直面するデータセット利用の非効率性も克服し、将来のトカマクの予測不可能なデータセットにより適したものとなる。従来の異常検知予測器と比較して、E-CAAD予測器はディスラプション予測において優れた性能を発揮し、新しい装置への展開もより速い。さらに、我々は既存装置からのデータを用いて新しい装置へのE-CAAD予測器の展開を加速する戦略を探求する。既存装置のデータを混合する方法と、既存装置で訓練された予測器を微調整する方法の2つの展開戦略を示す。我々の比較は、既存装置からのデータが新しい装置への予測器の展開を加速できることを示している。特に、微調整戦略は、設計した戦略の中で新しい装置への展開が最も速い。