Feature-based Transferable Disruption Prediction for future tokamaks using domain adaptation

要約

将来のトカマクにおけるデータ駆動型破壊予測モデルの高額な取得コストと破壊的放出に対する多大な需要は、破壊予測研究に固有の矛盾を引き起こします。
この論文では、CORALと呼ばれる領域適応アルゴリズムに基づいて、少数の放電のみを使用して将来のトカマクの混乱を予測する新しいアプローチを実証しました。
これは、混乱予測タスクにドメイン適応を適用する最初の試みです。
この論文では、この混乱予測アプローチは、将来のトカマク (ターゲット ドメイン) からの少数のデータと既存のトカマク (ソース ドメイン) からの大量のデータを調整して、既存のトカマクで機械学習モデルをトレーニングします。
既存および将来のトカマクのケースをシミュレートするために、既存のトカマクとして J-TEXT を選択し、将来のトカマクとして EAST を選択しました。
将来のトカマクにおける破壊的データの欠如をシミュレートするために、ターゲットドメインのトレーニングデータとして EAST からの 100 個の非破壊的放電と 10 個の破壊的放電のみを選択しました。
CORAL を改良して、教師あり CORAL と呼ばれる混乱予測タスクにより適したものにしました。
2 つのトカマクからのデータを混合してトレーニングされたモデルと比較して、教師あり CORAL モデルは、将来のトカマクの混乱予測パフォーマンスを向上させることができます (AUC 値は 0.764 ～ 0.890)。
解釈可能な分析を通じて、教師あり CORAL を使用すると、データ分布の変換を将来のトカマクにさらに近づけることができることがわかりました。
モデルが類似特徴の傾向を学習しているかどうかを評価する評価手法は、SHAP 分析に基づいて設計されています。
これは、教師あり CORAL モデルが、EAST の大きなデータ サイズでトレーニングされたモデルとより類似性を示していることを示しています。
FTDP は、将来のトカマクからの小さなデータ サイズを使用して混乱を予測する機能を調整することにより、軽量で解釈しやすく、必要なデータが少ない方法を提供します。

要約(オリジナル)

The high acquisition cost and the significant demand for disruptive discharges for data-driven disruption prediction models in future tokamaks pose an inherent contradiction in disruption prediction research. In this paper, we demonstrated a novel approach to predict disruption in a future tokamak only using a few discharges based on a domain adaptation algorithm called CORAL. It is the first attempt at applying domain adaptation in the disruption prediction task. In this paper, this disruption prediction approach aligns a few data from the future tokamak (target domain) and a large amount of data from the existing tokamak (source domain) to train a machine learning model in the existing tokamak. To simulate the existing and future tokamak case, we selected J-TEXT as the existing tokamak and EAST as the future tokamak. To simulate the lack of disruptive data in future tokamak, we only selected 100 non-disruptive discharges and 10 disruptive discharges from EAST as the target domain training data. We have improved CORAL to make it more suitable for the disruption prediction task, called supervised CORAL. Compared to the model trained by mixing data from the two tokamaks, the supervised CORAL model can enhance the disruption prediction performance for future tokamaks (AUC value from 0.764 to 0.890). Through interpretable analysis, we discovered that using the supervised CORAL enables the transformation of data distribution to be more similar to future tokamak. An assessment method for evaluating whether a model has learned a trend of similar features is designed based on SHAP analysis. It demonstrates that the supervised CORAL model exhibits more similarities to the model trained on large data sizes of EAST. FTDP provides a light, interpretable, and few-data-required way by aligning features to predict disruption using small data sizes from the future tokamak.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google