Details

Данная работа посвящена разработке интерпретируемой модели предсказания срывов плазмы в токамаках на основе символьной регрессии. Задачи, которые решались в ходе исследования: 1. Анализ ограничений традиционных методов машинного обучения; 2. Адаптация символьной регрессии для редких событий; 3. Подготовка экспериментальных данных; 4. Генерация аналитических формул; 5. Валидация и интерпретация модели. Работа проведена с использованием базы данных токамака «Глобус-М2», в которой представлены данные диагностических сигналов плазменных разрядов. Были отобраны следующие сигналы для анализа: плазменный ток, сигнал мягкого рентгеновского излучения, излучение на линии D_α, смещение плазмы и сигнал быстрого радиального магнитного зонда. Формула вероятности генерировалась путём решения обратной задачи с использованием символьной регрессии. В результате была разработана интерпретируемая модель предсказания срывов плазмы на основе символьной регрессии.  Получены аналитические формулы для вероятности срыва, связывающая её с диагностическими сигналами (MHD, Ip). Полученные результаты позволяют формировать триггеры для запуска методов смягчения, которые позволяют снизить риски повреждения стенок реактора. Для достижения данных результатов в работе была использована библиотека Python Symbolic Regression (PySR).

The given work is devoted to studying an interpretable plasma disruption prediction model for tokamaks using symbolic regression. The research set the following goals: 1. Critical analysis of conventional machine learning limitations; 2. Symbolic regression adaptation for rare-event classification; 3. Experimental data preparation from the Globus-M2 tokamak database; 4. Generation of analytical probability functions; 5. Model validation and physical interpretation. The work was carried out using the Globus-M2 tokamak database, which contains data on diagnostic signals of plasma discharges. The following signals were selected for analysis: plasma current, soft X-ray signal, radiation along the D_α line, plasma shift, and fast radial magnetic probe signal. The probability formula was generated by solving the inverse problem using symbolic regression. As a result, an interpretable model for predicting plasma disruptions based on symbolic regression was developed. Analytical formulas for the disruption probability were obtained, linking it with diagnostic signals (MHD, Ip). The obtained results allow generating triggers for launching mitigation methods that reduce the risks of damage to the reactor walls. To achieve these results, the Python Symbolic Regression (PySR) library was used in the work.