論文の概要: Interpretable statistical feature engineering for early disruption prediction in the short pulse ADITYA tokamak

• arxiv url: http://arxiv.org/abs/2608.22515v1
• Date: Sun, 23 Aug 2026 17:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.98022
• Title: Interpretable statistical feature engineering for early disruption prediction in the short pulse ADITYA tokamak
• Title（参考訳）: 短パルスADITYAトカマクにおける早期破壊予測のための解釈可能な統計的特徴工学
• Abstract要約: 本研究は、短パルストカマクにおける早期破壊予測のための解釈可能な機械学習フレームワークを開発する。 決定木に基づく特徴選択は、物理的に意味のある破壊前駆体を特定するために用いられる。 提案フレームワークは,0-35 ms と0-40 ms の最大 ROC-AUC を0-35 ms と 0-40 ms のウィンドウで安定な予測性能を実現する。
• 参考スコア（独自算出の注目度）: 1.4984384033732472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable early disruption prediction is critical for the safe operation and real-time control of tokamaks. However, machine learning based prediction frameworks have predominantly targeted medium and long pulse devices, with comparatively limited attention given to short pulse tokamaks where available warning time is inherently constrained. In this work, an interpretable machine learning framework is developed for feature engineering and early prediction of disruptions in the ADITYA using the initial plasma evolution information, prior to the activation of the negative converter of the ohmic transformer power supply. Statistical descriptors comprising the mean, variance, skewness, kurtosis and wavelet energy entropy are extracted from routinely available plasma diagnostics over different operation time windows. Decision tree based feature selection is employed to identify physically meaningful disruption precursors and to reduce feature dimensionality. These selected features are used to train a random forest classifier. The proposed framework achieves stable predictive performance across different analysis windows, with a maximum ROC-AUC of 0.87 for 0-35 ms and 0-40 ms windows. Comparable and in some cases improved, performance is obtained using the reduced feature set, demonstrating that the selected statistical descriptors retain the essential information required for disruption prediction. The proposed methodology provides an interpretable and computationally efficient framework for real time disruption prediction in short pulse tokamaks and establishes that carefully engineered statistical descriptors can effectively replace raw time series inputs for early disruption prediction, thereby offering a practical pathway toward real time plasma control in short pulse tokamaks similar to ADITYA and ADITYA-U.
• Abstract（参考訳）: トカマクの安全操作とリアルタイム制御には信頼性の高い早期破壊予測が重要である。 しかし、機械学習ベースの予測フレームワークは主に中長パルスデバイスをターゲットとしており、警告時間が本質的に制限されている短パルストカマクには比較的注意が向けられている。 本研究では, オーミックトランス電源の負変換器の活性化に先立ち, 初期プラズマ進化情報を用いた機能工学およびADITYAにおける破壊の早期予測のために, 解釈可能な機械学習フレームワークを開発した。 平均, ばらつき, 歪, 曲率, ウェーブレットエネルギーエントロピーを含む統計記述子を, 異なる操作時間窓上で日常的に利用可能なプラズマ診断から抽出した。 決定木に基づく特徴選択は、物理的に意味のある破壊前駆体を特定し、特徴次元を減らすために用いられる。 これらの選択された特徴は、ランダムな森林分類器の訓練に使用される。 提案フレームワークは,0-35 ms と0-40 ms の最大 ROC-AUC を0-35 ms と 0-40 ms のウィンドウで安定な予測性能を実現する。 比較可能であり、いくつかのケースでは、削減された特徴集合を用いて性能が得られ、選択された統計的記述子は、破壊予測に必要な必須情報を保持する。 提案手法は、短パルストカマクにおけるリアルタイム破壊予測のための解釈可能で効率的なフレームワークを提供し、慎重に設計された統計記述子は、早期破壊予測のために生の時系列入力を効果的に置き換え、ADITYAやADITYA-Uと同様の短パルストカマクにおけるリアルタイムプラズマ制御への実用的な経路を提供する。

関連論文リスト

• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• Temporal convolutional and fusional transformer model with Bi-LSTM encoder-decoder for multi-time-window remaining useful life prediction [0.0]
  本稿では,時間的特徴抽出のための時間的畳み込みネットワーク(TCN)を統合した新しいフレームワークを提案する。 このアーキテクチャは、健全な時間パターンを強調しながら、短期間および長期の依存関係を効果的にブリッジする。 提案モデルでは平均RMSEを最大5.5%削減し,最先端手法と比較して予測精度を向上した。
  論文  参考訳（メタデータ） (2025-11-06T11:29:57Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Dynamic Aware: Adaptive Multi-Mode Out-of-Distribution Detection for Trajectory Prediction in Autonomous Vehicles [8.920589816043298]
  軌道予測は自動運転車の安全かつシームレスな運転の中心である。 デプロイメントにおいて、予測モデルは、トレーニングデータと実世界の条件の間の分散シフトに必然的に直面する。 本稿では,複雑な運転環境におけるロバスト検出を実現するための適応機構を提案する。
  論文  参考訳（メタデータ） (2025-09-16T22:37:21Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Time Series Prediction under Distribution Shift using Differentiable Forgetting [0.0]
  我々は,重み付き経験的リスク最小化問題として,分布シフトの下での時系列予測について検討した。 経験的リスクにおける過去の観測の重み付けは、忘れる機構によって決定される。 そこで本研究では,忘れる機構のパラメータに対する勾配に基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-23T10:32:37Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。