Getting fast and reliable predictions of turbulent transport properties is an important challenge in magnetic fusion. Previous research (Heinonen and Diamond 2020 Phys. Rev. E101 061201) proposed a data-driven approach using neural networks to predict the particle flux and Reynolds stress in a minimal model of drift-wave turbulence. The present work extends this approach to the interchange instability driven by the magnetic curvature. This study highlights the importance of assessing the reliability of data-driven models, especially in view of their application to more complex high-fidelity simulations. In particular, a figure of merit is introduced to identify regions of the input space where the model’s predictions cannot be trusted. The data-driven model predictions are used to gain insight into the vorticity gradient’s contribution to the turbulent flux and the antiviscous nature of the Reynolds stress.
高速で信頼性の高い乱流輸送特性の予測を得ることは、磁場核融合における重要な課題である。先行研究（Heinonen and Diamond 2020 Phys. Rev. E101 061201）は、ドリフト波乱流の最小モデルにおいて粒子フラックスとレイノルズ応力を予測するためにニューラルネットワークを用いたデータ駆動型アプローチを提案した。本研究は、このアプローチを磁気曲率によって駆動される交換型不安定性に拡張するものである。本研究は、特に、より複雑な高忠実度シミュレーションへの適用を考慮した場合に、データ駆動型モデルの信頼性を評価することの重要性を強調する。特に、モデルの予測を信用できない入力空間の領域を特定するための性能指数を導入する。データ駆動型モデルの予測は、乱流フラックスに対する渦度勾配の寄与とレイノルズ応力の反粘性的性質についての洞察を得るために用いられる。