Diese Dissertation stellt eine neuartige, potenzialbasierte Methode des maschinellen Lernens (ML) vor, die in der Lage ist, Driftwellen-Turbulenzen in Fusionsplasmen effizient und präzise zu simulieren, ohne den kritischen Inertialbereich explizit auflösen zu müssen. Diese Herausforderung turbulente Systeme effizient zu lösen limitiert den Fortschritt in einem breiten Spektrum an Forschungsgebieten. Numerische Methoden wie Large Eddy Simulations (LES) haben eine gewisse Entlastung gebracht, durch die Reduzierung der Auflösung und die Verwendung von Sub-Grid-Scale (SGS)-Modellen für nicht aufgelöste Skalen. In den letzten Jahren wurden ML Techniken in SGS-Modelle für Systeme eingeführt die durch die Navier-Stokes-Gleichungen (NS) beschrieben werden. Diese hybriden Methoden haben jedoch Schwierigkeiten, Stabilität und Genauigkeit aufrechtzuerhalten, was ihre Anwendung auf den diffusionsdominierten Bereich beschränkt.
Die Arbeit demonstriert die Anwendbarkeit der hybriden ML-numerischen Methode für Driftwellen Turbulenzen, indem sie ihre physikalische Konsistenz in einem neuen statistischen Evaluationsparadigma nachweist. Diese werden als Teil eines neuen maschinellen Lern-Benchmarks für Turbulenzen in Fusionsplasmen eingeführt, der es ermöglicht, die allgemeine Methode für andere Systeme zu verbessern und zu erweitern. Da bei der Modellentwicklung wenig modellspezifisches Wissen verwendet wurde, könnten die Erkenntnisse erhebliche Auswirkungen auf die Simulation anderer turbulenter Systeme haben, die selbst auf kommenden Exascale-Plattformen nicht im Brute-Force-Verfahren gelöst werden können.