この記事では、融合科学におけるデータストリームの非定常性に対応するためのオンライン学習技術を用いた新たなアプローチを提案しています。融合データは実験の進行や機器の劣化により分布が変化し、従来の機械学習モデルはこれに対応できません。そのため、著者らはDIII-D融合施設でトロイダルフィールドコイルの変位を予測する際に、漂流するデータストリームに継続的に適応するオンライン学習の効果を示しています。実験の結果、オンライン学習はモデルの性能を維持し、静的モデルと比べて誤差を80%削減できることが示されました。また、提案された不確実性ガイドオンラインアンサンブル手法により、短期的な性能低下を軽減し、さらに誤差を約6%および10%減少させることが可能です。この研究は、融合科学における機械学習の効率を向上させる重要なステップとなるでしょう。