Simulating plasma turbulence presents significant computational challenges due to the complex interplay of multi-scale dynamics. In this work, we investigate the use of convolutional neural networks to improve the efficiency of plasma turbulence simulations, focusing on the Hasegawa–Wakatani model. The networks are trained to learn the closure terms in large eddy simulations, providing a computationally cheaper alternative to the high-resolution numerical solvers for capturing the effects of high-frequency components. This study is the first to successfully apply machine learning to predict plasma behavior for adiabatic coefficients beyond the training range for the Hasegawa–Wakatani equations. We generate ground truth simulations for three values of the adiabatic coefficient (), and train our models on one, or two. The evaluation is then performed on the remaining values. The models generalize well and accurately predict the particle flux up to a factor 5 outside the training range. Finally, we address a key challenge in machine-learning-accelerated plasma simulations—initialization—by starting simulations for previously unseen adiabatic coefficients C with states from existing simulations at other known C values. This approach removes the need for expensive direct numerical simulations for initialization while maintaining physical accuracy and a fast convergence rate. Overall, the results highlight the model's strong generalization capabilities and its potential for accelerating plasma turbulence simulations with more complex sets of parameters.
プラズマ乱流のシミュレーションは、マルチスケール力学の複雑な相互作用により、大きな計算的課題を提起する。本研究では、Hasegawa–Wakataniモデルに焦点を当て、プラズマ乱流シミュレーションの効率を向上させるための畳み込みニューラルネットワークの利用を調査する。ネットワークは、ラージエディシミュレーションにおけるクロージャ項を学習するように訓練され、高周波成分の効果を捉えるための高解像度数値ソルバーに代わる、計算コストの低い選択肢を提供する。本研究は、Hasegawa–Wakatani方程式において、訓練範囲を超えた断熱係数に対するプラズマ挙動を予測するために機械学習を適用することに初めて成功した研究である。我々は、断熱係数（）の3つの値に対するグラウンドトゥルースシミュレーションを生成し、1つまたは2つの値でモデルを訓練する。評価はその後、残りの値に対して行われる。モデルは良好に汎化し、訓練範囲外で最大5倍の範囲まで粒子フラックスを正確に予測する。最後に、機械学習加速型プラズマシミュレーションにおける重要な課題である初期化に、これまでに見られない断熱係数Cに対するシミュレーションを、他の既知のC値における既存のシミュレーションの状態を用いて開始することで対処する。このアプローチは、初期化のための高価な直接数値シミュレーションの必要性を排除し、物理的精度と高速な収束率を維持する。全体として、結果はモデルの強力な汎化能力と、より複雑なパラメータセットを用いたプラズマ乱流シミュレーションを加速する可能性を浮き彫りにする。