In a typical fusion experiment, the plasma can have several possible confinement modes. At the tokamak à configuration variable, aside from the low (L) and high (H) confinement modes, an additional mode, dithering (D), is frequently observed. Developing methods that automatically detect these modes is considered to be important for future tokamak operation. Previous work (Matos et al 2020 Nucl. Fusion60 036022) with deep learning methods, particularly convolutional long short-term memory networks (conv-LSTMs), indicates that they are a suitable approach. Nevertheless, those models are sensitive to noise in the temporal alignment of labels, and that model in particular is limited to making individual decisions taking into account only the input data at a given timestep and the past data, represented in its hidden state. In this work, we propose an architecture for a sequence-to-sequence neural network model with attention which solves both of those issues. Using a carefully calibrated dataset, we compare the performance of a conv-LSTM with that of our proposed sequence-to-sequence model, and show two results: one, that the conv-LSTM can be improved upon with new data; two, that the sequence-to-sequence model can improve the results even further, achieving excellent scores on both train and test data.
典型的な核融合実験において、プラズマは複数の可能な閉じ込めモードを持つことができる。可変配位トカマクでは、低（L）閉じ込めモードと高（H）閉じ込めモードに加えて、追加のモードであるディザリング（D）が頻繁に観測される。これらのモードを自動的に検出する手法の開発は、将来のトカマク運転にとって重要であると考えられている。深層学習手法、特に畳み込み長短期記憶ネットワーク（conv-LSTM）を用いた先行研究（Matos et al 2020 Nucl. Fusion60 036022）は、それらが適切なアプローチであることを示している。しかしながら、それらのモデルはラベルの時間的アライメントにおけるノイズに敏感であり、特にそのモデルは、所与のタイムステップにおける入力データと、その隠れ状態に表現された過去のデータのみを考慮した個別の判断を行うことに限定されている。本研究では、これら両方の問題を解決する、アテンションを備えた系列対系列ニューラルネットワークモデルのアーキテクチャを提案する。慎重に較正されたデータセットを用いて、conv-LSTMの性能と提案する系列対系列モデルの性能を比較し、次の2つの結果を示す：第一に、conv-LSTMは新しいデータによって改善され得ること；第二に、系列対系列モデルは結果をさらに改善することができ、訓練データとテストデータの両方で優れたスコアを達成すること。