В данной работе исследуется возможность использования методов интерпретации результатов моделей машинного обучения для повышения эффективности предсказания срыва на токамаке Глобус-М2, а также разработка аппаратной части для реализации предсказания срыва в режиме реального времени. Для этого был сформирован набор примеров для обучения полносвязной модели нейронной сети. Метод SHAP применен для интерпретации результатов предсказания срыва в разрядах со штатным завершением и с непредсказуемым срывом. С помощью метода SHAP выбран набор сигналов, оказывающих наибольшее влияние на результат предсказания вероятности срыва. Эффективность полученного набора проверена по сравнению с набором, сформированным с помощью методов корреляционного анализа. Модель, обученная с помощью набора сигналов из метода SHAP, на 7% эффективнее предсказывает срыв по метрике AUC. Разработана принципиальная схема и 3D-модели модуля обработки сигналов и вычисления вероятности срыва. Задержка между оцифровкой сигнала и формированием результат, полученная в результате тестирования, оказалась равной 280 мкс.

In this paper, we study the possibility of using methods for interpreting the results of machine learning models to improve the efficiency of plasma disruption prediction at the Globus-M2 tokamak, as well as the development of hardware for real-time disruption prediction. For this, a set of examples was formed for training a fully connected neural network model. The SHAP method is applied to interpret the results of disruption prediction in charges with regular termination and with unpredictable disruption. With the help of the SHAP method, a set of signals is selected that have the greatest impact on the result of predicting the relapse probability. The effectiveness of the resulting set was tested in comparison with the set formed using the methods of correlation analysis. A model trained with a set of signals from the SHAP method is 7% more effective at predicting relapse using the AUC metric. A schematic diagram and 3D models of the signal processing module and calculation of the disruption probability have been developed. The delay between the digitization of the signal and the formation of the result, obtained as a result of testing, turned out to be 280 μs.