Disruption prediction has made rapid progress in recent years, especially in machine learning (ML)-based methods. If a disruption prediction model can be interpreted, it can tell why certain samples are classified as disruption precursors. This allows us to tell the types of incoming disruption for disruption avoidance and gives us insight into the mechanism of disruption. This paper presents a disruption predictor called interpretable disruption predictor based on physics-guided feature extraction (IDP-PGFE) and its results on J-TEXT experiment data. The prediction performance of IDP-PGFE with physics-guided features is effectively improved (true positive rate = 97.27%, false positive rate = 5.45%, area under the ROC curve = 0.98) compared to the models with raw signal input. The validity of the interpretation results is ensured by the high performance of the model. The interpretability study using an attribution technique provides an understanding of J-TEXT disruption and conforms to our prior comprehension of disruption. Furthermore, IDP-PGFE gives a possible mean on inferring the underlying cause of the disruption and how interventions affect the disruption process in J-TEXT. The interpretation results and the experimental phenomenon have a high degree of conformity. The interpretation results also gives a possible experimental analysis direction that the resonant magnetic perturbations delays the density limit disruption by affecting both the MHD instabilities and the radiation profile. PGFE could also reduce the data requirement of IDP-PGFE to 10% of the training data required to train a model on raw signals. This made it possible to be transferred to the next-generation tokamaks, which cannot provide large amounts of data. Therefore, IDP-PGFE is an effective approach to exploring disruption mechanisms and transferring disruption prediction models to future tokamaks.
ディスラプション予測は近年急速な進歩を遂げており、特に機械学習（ML）ベースの手法において顕著である。ディスラプション予測モデルが解釈可能であれば、特定のサンプルがなぜディスラプション前駆体として分類されるのかを説明できる。これにより、ディスラプション回避のために到来するディスラプションの種類を識別でき、ディスラプションの機構に関する洞察が得られる。本論文では、物理誘導特徴抽出に基づく解釈可能なディスラプション予測器（IDP-PGFE）と呼ぶディスラプション予測器と、J-TEXT実験データにおけるその結果を提示する。物理誘導特徴を用いたIDP-PGFEの予測性能は、生信号入力を用いたモデルと比較して効果的に向上する（真陽性率 = 97.27%、偽陽性率 = 5.45%、ROC曲線下面積 = 0.98）。解釈結果の妥当性は、モデルの高い性能によって保証される。アトリビューション手法を用いた解釈可能性研究は、J-TEXTディスラプションの理解を提供し、ディスラプションに関する我々の事前の理解と一致する。さらに、IDP-PGFEは、ディスラプションの根本的な原因を推測し、介入がJ-TEXTのディスラプション過程にどのように影響するかを推測するための可能な手段を提供する。解釈結果と実験現象は高い一致度を示す。解釈結果はまた、共鳴磁場摂動がMHD不安定性と放射プロファイルの両方に影響を与えることによって密度限界ディスラプションを遅延させるという、可能な実験分析の方向性を示す。PGFEはまた、IDP-PGFEのデータ要件を、生信号でモデルを訓練するために必要な訓練データの10%に削減することができる。これにより、大量のデータを提供できない次世代トカマクへの転移が可能となった。したがって、IDP-PGFEは、ディスラプション機構の探求と、将来のトカマクへのディスラプション予測モデルの転移に有効なアプローチである。