KI und die schwierigen Probleme der Welt · Physik · arXiv · 2026-10-19
Eigenschaften und Herausforderungen von Machine-Learning-Closures für Zehn-Momenten-Fluidmodelle am Beispiel der Landau-Dämpfung
Originaltitel: Properties and challenges of machine learning closures for ten-moment fluid models in the case of Landau damping
Zwei-Fluid-Zehn-Momenten-Plasmamodelle benötigen einen Wärmeflussabschluss, und diese Studie testet Machine-Learning-Abschlüsse anstelle der üblichen analytischen Abschlüsse vom Hammett-Perkins-Typ. Bei der Landau-Dämpfung reproduzierten die ML-Abschlüsse die Dämpfungsfrequenz und die nichtlineare Phase innerhalb und zwischen den Trainingsparameterbereichen besser als die Hammett-Perkins-Abschlüsse. Die Leistung verschlechterte sich bei Extrapolation über die Trainingsdaten hinaus, und Offline-Metriken sagten die Online-Leistung nicht vollständig voraus, weshalb die Autoren die zeitliche Entwicklung der Entropie als alternative Bewertungsmetrik vorschlagen.