[论文解读] 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 0

一句话总结

该论文开发了基于Transformer的ML代理，以从WEST预放电信号预测六个全局等离子体参数，实现高精度和快速推理。

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.

研究动机与目标

• 从WEST的预放电信号预测六个关键全局等离子体参数：归一化β（βn）、圆环β（βt）、极向β（βp）、等离子体储能（Wmhd）、q0，以及q95。
• 使用放电前可用的信号（磁线圈电流、辅助加热功率、Ip参考值，以及线密度的平均密度）来构建快速代理模型。
• 评估多种ML架构，确定在放电预测中表现最佳的模型。
• 评估模型在550次WEST放电上的泛化能力，并分析对q参数预测的局限性。

提出的方法

• 对数据进行平滑处理和固定大小滑窗（长度1024、步长512）并进行重叠平均以增强稳定性。
• 将550次放电分为训练/验证/测试集（60/20/20）。
• 在MLP、LSTM、Transformer编码器、Transformer解码器以及基于Transformer的贝叶斯超参数优化模型之间进行比较。
• 基于验证集MSE选择最佳模型，然后报告测试集性能。
• 报告推理时间并讨论在放电规划和实时控制中的实际适用性。

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

实验结果

研究问题

• RQ1 前放电、多信号输入集合是否能为WEST预测关键的零维度等离子体参数？
• RQ2 哪种ML架构最能捕捉放电数据中的时序与跨通道相关性？
• RQ3 这些预测的预测精度（MSE、R²）和推理速度能达到怎样的水平？
• RQ4 从预放电信号预测q0和q95的局限性及原因是什么？
• RQ5 模型在多样化的WEST放电集上的泛化能力如何？

主要发现

模型类型	均方误差（MSE）损失
多层感知机（MLP）	0.0224
长短期记忆网络（LSTM）	0.015
Transformer编码器	0.011
Transformer解码器	0.011
我们基于Transformer的模型	0.0096

• 测试集六个输出的平均MSE为0.026。
• 测试集上的平均R²为0.94。
• 基于Transformer的模型在所有测试架构中实现了最低的验证MSE（0.0096）。
• 所有输入信号都显示出显著的Granger因果关系和皮尔逊相关性，证明了特征相关性。
• 由于预放电输入对压力/动力学表型的可辨识性较弱以及输入中缺乏压力和动力学信息，q0和q95的预测精度较低。
• 在RTX 3090和A100两种GPU上，推理时间约为0.1秒。

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