[論文レビュー] Machine learning prediction of plasma behavior from discharge configurations on WEST

Chenguang Wan, Feda Almuhisen+11 more|arXiv (Cornell University)|Feb 22, 2026

Magnetic confinement fusion research被引用数 0

ひとこと要約

論文は、WESTの事前放電信号から六つの全球プラズマパラメータを予測するトランスフォーマー型MLサロゲートを開発し、高い精度と迅速な推論を実現します。

ABSTRACT

Accurately predicting plasma behavior based on discharge configurations is essential for the safe and efficient operation of tokamak experiments. While physics-based integrated modeling codes provide valuable insights, their high computational cost limits their applicability for fast scenario design and control optimization. In this study, we propose a transformer-based machine learning model to predict key global plasma parameters on the WEST tokamak, including the normalized beta ($β_{n}$), toroidal beta ($β_{t}$), poloidal beta ($β_{p}$), plasma stored energy ($W_{\mathrm{mhd}}$), safety factor at the magnetic axis ($q_{0}$), and safety factor at the 95% flux surface ($q_{95}$). The model uses only signals that can be defined before the discharge, such as magnetic coil currents, auxiliary heating power, plasma current reference, and line-averaged plasma density. Trained on 550 discharges from the WEST campaigns, the model demonstrates an average mean square error (MSE) loss of 0.026, an average coefficient of determination $R^{2}$ of 0.94, and achieves inference times on the order of 0.1 seconds. These results highlight the potential of data-driven surrogate models for assisting in discharge planning, scenario evaluation, and real-time control of tokamak plasmas.

研究の動機と目的

• WESTの事前放電信号から六つの重要な全球プラズマパラメータを予測する：正規化ベータβn、トロイダルベータβt、ポイドリオドベータβp、プラズマ蓄積エネルギーWmhd、q0、およびq95。
• 放電前に利用可能な信号（磁気コイル電流、補助加熱電力、Ip参照、線平均密度）を用いて高速サロゲートモデルを構築する。
• 放電予測のために複数のMLアーキテクチャを比較して最良の性能を特定する。
• 550件のWEST放電を横断するモデルの汎化性能を評価し、qパラメータ予測の限界を分析する。

提案手法

• データを平滑化し、固定サイズスライディングウィンドウ（長さ1024、ステップ512）と重なり平均化で安定性を確保する。
• 550件の放電を訓練/検証/テストに分割する（60/20/20）。
• MLP、LSTM、Transformer Encoder、Transformer Decoder、およびベイズハイパーパラメータ最適化を用いるTransformerベースのモデルを比較する。
• 検証データのMSEで最良のモデルを選択し、テストセットの性能を報告する。
• 推論時間を報告し、放電計画とリアルタイム制御への実用性を議論する。

Figure 1: The Granger causality and Pearson correlation coefficient between input and output signals. For Granger causality, a smaller coefficient indicates a stronger causal relationship, whereas for the Pearson correlation coefficient, a larger value reflects a stronger linear correlation. PowerLH

実験結果

リサーチクエスチョン

• RQ1 事前放電の多信号入力セットで、WESTの零次元プラズマパラメータを予測できるか。
• RQ2 放電データの時系列およびチャネル間依存を最もよく捉えるMLアーキテクチャはどれか。
• RQ3 これらの予測の予測精度（MSE, R²）と推論スピードはどれくらいか。
• RQ4 事前放電信号からのq0およびq95予測の限界は何で、なぜか。
• RQ5 多様なWEST放電データセットに対してモデルはどれくらい汎化できるか。

主な発見

Model type	Mean Squared Error (MSE) loss
Multilayer perceptron (MLP)	0.0224
Long Short-Term Memory (LSTM)	0.015
Transformer Encoder	0.011
Transformer Decoder	0.011
Our transformer-based model	0.0096

• テストセットの平均MSEは六つの出力で0.026。
• テストセットでの平均R²は0.94。
• 検証MSEが最も低いのはTransformerベースのモデル（0.0096）。
• 全入力信号はいずれも出力と有意なグレンジャー因果性およびピアソン相関を示し、特徴量の関連性を正当化する。
• q0およびq95の予測は事前放電入力からの識別性が弱く、入力に圧力/Kineticプロファイルが欠如しているため、精度が低い。
• 推論時間はRTX 3090およびA100の両方で約0.1秒。

Figure 2: The workflow of machine learning model in the present work