用于托卡马克通用破裂预测的混合深度学习架构
等离子体物理
2020-11-30 v4 机器学习
摘要
在本文中，我们提出了一种新的深度学习破裂预测算法，该算法基于探索性数据分析的重要发现，有效地实现了从现有装置到新装置的知识迁移，从而利用新装置非常有限的破裂数据进行破裂预测。通过无监督聚类技术进行的探索性数据分析证实，时间序列数据比瞬时等离子体状态数据能更好地区分破裂和非破裂行为，这对基于序列的预测器具有进一步有利的意义。基于这些重要发现，我们设计了一种新的多装置破裂预测算法，在C-Mod（AUC=0.801）、DIII-D（AUC=0.947）和EAST（AUC=0.973）托卡马克上通过有限的超参数调整实现了高预测精度。通过数值实验，我们表明，在训练中仅包含20次破裂放电、数千次EAST非破裂放电，并结合来自DIII-D和C-Mod的一千多次放电，EAST预测的精度得到提升（AUC=0.959）。通过结合来自其他装置的破裂数据提高预测能力，对于三个装置的所有排列组合都成立。此外，通过比较每个数值实验的预测性能，我们发现非破裂数据是装置特定的，而来自多个装置的破裂数据包含装置无关的知识，可用于预测新装置上发生的破裂。
引用
@article{arxiv.2007.01401,
title = {Hybrid deep learning architecture for general disruption prediction across tokamaks},
author = {J. X. Zhu and C. Rea and K. Montes and R. S. Granetz and R. Sweeney and R. A. Tinguely},
journal= {arXiv preprint arXiv:2007.01401},
year = {2020}
}