A Machine-Learning (ML) based detection scheme that automatically detects Alfvén Eigenmodes (AE) in a labelled DIII-D database is presented here. Controlling AEs is important for the success of planned burning plasma devices such as ITER, since resonant fast ions can drive AEs unstable and degrade the performance of the plasma or damage the first walls of the machine vessel. Artificial Intelligence could be useful for real-time detection and control of AEs in steady-state plasma scenarios by implementing ML-based models into control algorithms that drive actuators for mitigation of AE impacts. Thus, the objective is to compare differences in performance between using two different recurrent neural network systems (Reservoir Computing Network and Long Short Term Memory Network) and two different representations of the phase data (simple and crosspower spectrograms). All interferometer chords are used to train both models, but only one is processed during each training step. The results from the model and data comparison show higher performance for the RCN model (True Positive Rate = 90% and False Positive Rate = 14%), and that using simple magnitude spectrograms is sufficient to detect AEs. Also, the vertical interferometer chord passing near the center is better for ML-based detection of AEs.
ここでは、ラベル付きDIII-Dデータベース内のアルヴェン固有モード（AE）を自動的に検出する機械学習（ML）ベースの検出方式を提示する。AEの制御は、ITERのような計画中の燃焼プラズマ装置の成功にとって重要である。なぜなら、共鳴高速イオンがAEを不安定化させ、プラズマの性能を低下させたり、装置容器の第一壁を損傷させたりする可能性があるからである。人工知能は、AE影響の緩和のためにアクチュエータを駆動する制御アルゴリズムにMLベースのモデルを実装することにより、定常状態プラズマシナリオにおけるAEのリアルタイム検出と制御に有用である可能性がある。したがって、目的は、2つの異なるリカレントニューラルネットワークシステム（リザバーコンピューティングネットワークおよびLong Short Term Memoryネットワーク）と、位相データの2つの異なる表現（単純およびクロスパワースペクトログラム）を使用することの間の性能差を比較することである。すべての干渉計コードが両モデルのトレーニングに使用されるが、各トレーニングステップで処理されるのは1つのみである。モデルとデータの比較結果は、RCNモデルの方が高い性能を示すこと（真陽性率 = 90%、偽陽性率 = 14%）、および単純な振幅スペクトログラムの使用がAEを検出するのに十分であることを示している。また、中心付近を通る垂直干渉計コードは、MLベースのAE検出により適している。