2018 Fiscal Year Annual Research Report
深層学習とロバスト制御を応用した核融合炉心プラズマの予測・予知制御に関する研究
| Project/Area Number |
17H03508
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
小川 雄一 東京大学, 大学院新領域創成科学研究科, 客員共同研究員 (90144170)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
日渡 良爾 国立研究開発法人量子科学技術研究開発機構, 六ヶ所核融合研究所 核融合炉システム研究開発部, 主幹研究員(定常) (40371348)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | プラズマ / 核融合 / トカマク / ディスラプション / 機械学習 |
|---|
| Outline of Annual Research Achievements |
核融合炉炉心プラズマ制御において、現在最も喫緊の課題の一つがディスラプションの予測・予知および回避のための制御である。国内外において長年にわたりディスラプションを引き起こす要因を定性的・定量的に見極めるべく、第一原理やMHD方程式系をベースとした理論・シミュレーション研究が盛んに行われているが、ここではディスラプションに関する豊富な実験データに対して機械学習の手法を導入し、ディスラプションの予知を試みる事とした。具体的には、JT-60U における高ベータプラズマ実験を対象とし、多数のグローバルや空間的なローカルパラメータおよびその時間微分値を予知に用いる候補変数とした。この候補変数の中から予知に重要な変数の組合せを自動抽出する手法として、変数の組合せ全てについて網羅的に探索する手法である全状態探索法を採用した。また具体的な機械学習手法の解析ツールとしては、サポートベクターマシン (SVM)を用いた。
当初は、規格化ベータ値やグリーンワルド密度比などのグローバルパラメータだけでキーとなるパラメータの抽出を行ったが、ディスラプションがｑ＝２面での物理に関連している点を鑑み、イオン温度、プラズマ回転、磁気シアなどのローカルなプラズマパラメータも予知の候補変数として加え解析を行った。その結果、従来のグローバルパラメータに加えて、ｑ＝２面でのイオン温度またはイオン温度勾配がディスラプション予知において重要な役割を果たすパラメータであることが判った。
さらに、多様なディスラプションの形態の中から、高ベータ起因のディスラプション放電に絞るなどのフィルターを設置したり、次元を持ち且つ広範な数値広がりを有する物理パラメータに対して、平均値と分散を用いてインプットデータの規格化を行うなどし、解析の普遍性・一般性を高めた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
初年度は17個のグローバルパラメータを使って、全状態探索法でのパラメータ抽出を行い、規格化ベータ値やグリーンワルド密度比などが重要因子であることが判った。そこで、ディスラプションの要因となりうる可能性が高いプラズマ内部のパラメータ、具体的にはｑ＝２面でのイオン温度、プラズマ回転、磁気シア（およびその空間微分）の実験データを入力データとして加えた。
ところで、ディスラプションは、高ベータに起因する以外にも極端に密度が高い場合など、幾つかの要因が挙げられており、それらを支配する物理パラメータは必ずしも一致していないと推測される。そこで、本研究では高密度のプラズマ放電を自動的に削除することとした。またMHD揺動もディスラプションでは重要な因子であり、ディスラプション直前にはn=1の磁場揺動が急増するが、これはディスラプションになる不安定性が起こった結果としてディスラプションの直前（１０ｍｓ程度）に観察されるものであるので、ディスラプション検知として使えるが、予知としては遅すぎる。従って、ディスラプション予知は、外部制御が可能な時間を考慮して、１２５ｍｓ～３０ｍｓ前を５ｍｓ毎に解析することとした。さらに当初から磁場揺動が大きな放電も、何らかの別の因子があると判断して、予知に使うデータから外した。
実験データは、基本的には物理的な次元を有していたり、パラメータ範囲がそれぞれ独立している。そこでこれらの物理パラメータをすべて、その平均値と分散を使って規格化してから、機械学習に入力するようにした。
以上のような改善を図ることにより、ディスラプションの物理に対してより普遍的にアプローチする手法が確立したといえる。その結果、規格化ベータ値やグリーンワルド密度比などのグローバルパラメータに加えて、イオン温度（またはその空間勾配）がディスラプション予知として重要なパラメータであることが判った。
|
| Strategy for Future Research Activity |
機械学習の一種である全状態探索法およびサポートベクターマシーンを用いて、ディスラプション予知に関連する重要な物理パラメータの抽出手法を確立できたといえる。なお我々は、全状態探索において、予知の評価に予測成功率（PSR）と誤警報率（FAR）を計算し、理想的な予知ケース（PSR=100%、FAR=0%）との乖離を評価する手法（ここではDistance手法と呼ぶ）を用いてる。
一方、医療の分野では、多次元パラメータ空間で決定されたハイパープレーンを、あえて平行移動させてPSRとFARを計算し、PSR・FARの2次元平面状にプロットした受信者動作特性曲線（ROC:Receiver Operating Characteristics）を用いる手法がとられている。今後は、FSRとFARの計算結果を使い、DistanceやROCの評価手法について検討・比較を行うと共に、さらなる評価手法の可能性についても探求する。
さらに、全状態探索法により抽出された特徴パラメータのハイパープレーンの両側には、予知を誤認したデータが染み出している。そこでそれらのデータの分布を評価することにより、ディスラプション予知確率を定量的に導出できる可能性がある。そこで、ハイパープレーンからの距離を指標としたディスラプション発生確率を定量的に評価することを試みる。さらにハイパープレーンは複数の抽出パラメータによる解析式として与えられることより、核融合炉心プラズマの制御に直接活用する可能性を探る。
|
