Fusion whole device modeling simulations require comprehensive models that are simultaneously physically accurate, fast, robust, and predictive. In this paper we describe the development of two neural-network (NN) based models as a means to perform a snon-linear multivariate regression of theory-based models for the core turbulent transport fluxes, and the pedestal structure. Specifically, we find that a NN-based approach can be used to consistently reproduce the results of the TGLF and EPED1 theory-based models over a broad range of plasma regimes, and with a computational speedup of several orders of magnitudes. These models are then integrated into a predictive workflow that allows prediction with self-consistent core-pedestal coupling of the kinetic profiles within the last closed flux surface of the plasma. The NN paradigm is capable of breaking the speed-accuracy trade-off that is expected of traditional numerical physics models, and can provide the missing link towards self-consistent coupled core-pedestal whole device modeling simulations that are physically accurate and yet take only seconds to run.
核融合全体装置モデリングには、物理的に正確でありながら高速かつ予測可能な、包括的なモデルが必要である。本論文では、コア乱流輸送束とペデスタル構造のための理論ベースモデルの非線形多変量回帰を実行する手段として、2つのニューラルネットワーク（NN）ベースモデルの開発について述べる。具体的には、NNベースのアプローチが、広範なプラズマ領域にわたってTGLFおよびEPED1理論ベースモデルの結果を一貫して再現でき、かつ数桁の計算高速化を達成できることを見出した。これらのモデルはその後、予測ワークフローに統合され、プラズマの最終閉じ込め面内の運動論的プロファイルの自己無撞着なコア・ペデスタル結合による予測を可能にする。NNパラダイムは、従来の数値物理モデルに期待される速度と精度のトレードオフを打破することができ、物理的に正確でありながら数秒で実行可能な、自己無撞着な結合型コア・ペデスタル全体装置モデリングシミュレーションへの欠落していたリンクを提供し得る。