无监督异常检测方法在VEST球形托卡马克内部重联事件识别中的应用与评估

《Plasma》：Unsupervised Anomaly Detection of Internal Reconnection Events in the VEST Spherical Tokamak Dae-Won Ok, Dae-Yeol Pyo, Hong-Sik Yun, Yong-Seok Hwang and Yong-Su Na

本研究旨在解决球形托卡马克中内部重联事件（IREs）检测的难题，因其放电时间短、事件边界模糊、缺乏标记数据。研究人员利用等离子体电流和Hα发射信号，结合滑动窗口分割和事件级评估，提出了一种基于KNN、OCSVM和自编码器的无监督异常检测框架。该方法无需标签数据，实现了超过80%的精确率和70%以上的召回率，显著提升了IRE检测的准确性与鲁棒性，为等离子体行为的理解和控制提供了新工具，并可扩展至其他球形托卡马克设备。

　　

在追求可控核聚变能源的道路上，球形托卡马克凭借其紧凑的结构和高等离子体比压等优势，被视为一种有潜力的磁约束装置。然而，其运行时常受到一类被称为内部重联事件（Internal Reconnection Events, IREs）的快速磁流体动力学（MHD）不稳定的困扰。IREs如同等离子体内部的“微型风暴”，会导致等离子体电流、磁场拓扑的急剧变化，并伴随H_α辐射等诊断信号的爆发。这些事件能显著降低等离子体约束性能，造成高达约30%的能量损失，甚至在极端情况下触发导致放电终止的大破裂。因此，及时、准确地识别IREs，对于理解等离子体行为、优化运行参数乃至避免灾难性后果都至关重要。

传统的IRE识别依赖于专家对多个诊断信号（如等离子体电流I_p、软X射线、磁探针信号）的关联分析进行人工判读。这种方法不仅耗时费力，而且由于IRE信号表现形式多样、事件边界不清晰，加上实验数据标记工作量大且易出错，使得可靠、自动化的IRE检测成为球形托卡马克实验数据分析中的一大挑战。面对海量、无标签的实验数据，一种能够自动、准确识别这些异常事件的方法显得尤为迫切。

为此，来自首尔国立大学等机构的研究人员Dae-Won Ok, Dae-Yeol Pyo, Hong-Sik Yun, Yong-Seok Hwang 和 Yong-Su Na在《Plasma》期刊上发表了一项研究，他们独辟蹊径，将IRE检测问题转化为一个时间序列的异常检测任务。既然IREs在信号中表现为突发的、罕见的异常模式，那么无需预先标注“正常”与“异常”样本的无监督异常检测技术，便成为一个极具吸引力的解决方案。该研究团队开发了一套完整的、事件级的无监督IRE检测框架，并将其应用于韩国VEST球形托卡马克的实验数据中，成功实现了对IREs的高精度、自动化识别。

主要技术方法

本研究利用VEST球形托卡马克通过Versatile Analytical Framework for Tokamak (VAFT)数据库获取的实验放电数据，核心信号是等离子体电流(I_p)和H_α发射。研究方法的核心是一个两阶段策略：首先，对原始信号进行预处理和滑动窗口分割，将连续时间序列转化为一系列可分析的子窗口；其次，构建并评估了三种经典的无监督异常检测模型——K-近邻算法（KNN）、一类支持向量机（OCSVM）和自编码器（AE）——在一个统一的框架内对每个窗口进行异常评分。为了提升模型鲁棒性，在训练阶段引入了基于KNN的清洗步骤，以去除由噪声驱动的、局部孤立的窗口，减少误报。最终，通过事件级评估（将连续的异常窗口合并为事件）来识别物理上有意义的IREs，并用精确率、召回率等指标量化模型性能。

研究结果

1. IRE的典型特征与检测框架基础

研究指出，IREs的典型特征是等离子体电流I_p和H_α发射信号近乎同步的急剧变化，并伴随着环电压V_loop、中心电子密度n_e和中心电子温度T_e的响应，之后等离子体通常会向准稳态弛豫。这些并发、快速的信号变化被用作本研究中事件识别的物理基础。图1展示了一次VEST放电中观测到的IRE相关活动全景，直观呈现了各信号在IRE发生时的演变行为，为后续的算法检测提供了直观的物理依据和验证基准。

2. 无监督检测模型的性能评估

研究团队在VEST实验数据集上系统评估了KNN、OCSVM和AE三种无监督模型。所有模型在面向精确率的操作点下均取得了稳定的检测性能：精确率超过80%，召回率高于70%。这表明，所提出的无监督框架能够有效区分IRE事件与正常的等离子体背景波动，实现了高可信度的检测。性能评估证实了无监督方法在缺乏标签数据的情况下解决IRE检测问题的可行性。

3. 基于KNN的清洗程序提升检测鲁棒性

为了减少由随机噪声或局部扰动引起的误报，研究引入了一个创新的训练阶段KNN清洗程序。该步骤旨在识别并移除那些在特征空间中与其邻居相距甚远、很可能是由噪声驱动的异常窗口。结果表明，这一清洗操作显著降低了虚假检测的数量，同时保留了具有物理意义的IRE特征。这增强了检测系统的鲁棒性，使其对数据中的噪声不那么敏感，提高了输出结果的可信度。

4. 事件级分析与漏检事件性质

通过将窗口级异常评分聚合为事件级检测，研究进行了更符合物理直觉的分析。在设定的高精度操作模式下，漏检的事件主要对应于那些对全局等离子体行为影响有限的弱IREs。这意味着检测系统更倾向于捕捉那些信号变化显著、物理影响大的强IRE事件，这与实际应用中对重要事件及时预警的需求是相符的。事件级分析进一步验证了该框架输出的物理相关性。

研究结论与意义

本研究成功开发并验证了一个用于球形托卡马克内部重联事件检测的、完全无监督的机器学习框架。该框架创新性地结合了滑动窗口分割、多种无监督异常检测算法（KNN, OCSVM, AE）以及事件级评估策略，无需任何标记的训练数据，仅凭等离子体电流I_p和H_α发射两种基本诊断信号，就在VEST实验数据上实现了高精度（>80%）和高召回率（>70%）的IRE识别。特别是提出的KNN清洗步骤，有效提升了模型的抗噪能力和检测结果的纯净度。

这项工作的意义重大。首先，它为解决IRE这类复杂MHD事件的自动化检测提供了切实可行的技术路径，克服了数据标记的瓶颈，适用于处理大规模历史数据或实时流数据。其次，该框架具有高度的灵活性和可扩展性，其模块化设计允许轻松集成其他诊断信号（如磁探针信号），为未来实现具有前兆识别能力的预测性检测奠定了基础。最后，该方法不依赖于特定装置，为将其推广至其他球形托卡马克（如MAST, NSTX等）乃至常规托卡马克的类似MHD事件检测提供了框架借鉴，有望成为聚变等离子体高性能运行实时监控与反馈控制系统的有力工具。