Low-dimensional geometry learning for turbulence prediction in optimized stellarators
Diese Arbeit zeigt, dass sich optimierte stellaratorische Geometrien mit quasi-helischer Symmetrie in einem niedrigdimensionalen latenten Raum abbilden lassen, was die effiziente Generierung von Trainingsdaten für maschinelle Lernmodelle ermöglicht, um Turbulenz und andere physikalische Eigenschaften direkt zu optimieren.