The trapped Gyro-Landau Fluid (TGLF) model provides fast, accurate predictions of turbulent transport in tokamaks, but whole device simulations requiring thousands of evaluations remain computationally expensive. Neural network (NN) surrogates offer accelerated inference with fully differentiable approximations that enable gradient-based coupling but typically require large training datasets to capture transport flux variations across plasma conditions, creating significant training burden and limiting applicability to expensive gyrokinetic simulations. We propose TGLF-WINN (Wavenumber-Informed NN) with three key innovations: (1) principled feature engineering that reduces target prediction range, simplifying the learning task; (2) physics-guided wavenumber-resolved regularization to improve generalization under sparse data; and (3) Bayesian active learning (BAL) to strategically select training samples based on model uncertainty, reducing data requirements while maintaining accuracy. TGLF-WINN is engineered for data-efficient and robust surrogate training. Feature tuning and wavenumber regularization together deliver a 12.5% relative RMSLE reduction over TGLF-NN when trained on the complete dataset; more importantly, under sparse, unfiltered training conditions (approximately the full dataset size) these two ingredients yield an order-of-magnitude smaller RMSLE degradation than TGLF-NN, a robustness attributable to the wavenumber-informed regularization imposing a physics-guided constraint on per-mode flux contributions. Adding BAL on top, TGLF-WINN matches TGLF-NN’s full-data offline accuracy using only 25% of the training data, reaching RMSLE within 2.8% of TGLF-NN’s full-data baseline and within 4.3% of our own full-data result. We further demonstrate practicality in a downstream flux-matching workflow: the NN surrogate provides a 45 speedup over TGLF while maintaining comparable reconstruction accuracy.
捕捉ジャイロ・ランダウ流体（TGLF）モデルは、トカマクにおける乱流輸送の高速かつ正確な予測を提供するが、数千回の評価を必要とする装置全体のシミュレーションは依然として計算コストが高い。ニューラルネッットワーク（NN）サロゲートは、完全微分可能な近似により高速な推論と勾配に基づく連成を可能にするが、通常、プラズマ条件全体にわたる輸送束の変動を捕捉するために大規模な訓練データセットを必要とし、大きな訓練負担を生じるとともに、高コストなジャイロ運動論的シミュレーションへの適用性を制限する。我々は、3つの主要な革新を備えたTGLF-WINN（波数情報NN）を提案する：(1) タ－ゲット予測範囲を縮小して学習タスクを単純化する原理に基づく特徴量エンジニアリング、(2) スパースデータ下での汎化を向上させる物理に基づく波数分解正則化、(3) モデルの不確実性に基づいて訓練サンプルを戦略的に選択し、精度を維持しながらデータ要件を削減するベイズ能動学習（BAL）。TGLF-WINNは、データ効率が高くロバストなサロゲート訓練のために設計されている。特徴量チューニングと波数正則化は、完全なデータセットで訓練した場合、TGLF-NNと比較して相対RMSLEを12.5%低減する。さらに重要なことには、スパースでフィルタリングされていない訓練条件下（全データセットサイズのおおよそ ）では、これら2つの要素は、TGLF-NNよりも一桁小さいRMSLE劣化をもたらす。このロバスト性は、各モードのフラックス寄与に物理に基づく制約を課す波数情報正則化に起因する。さらにBALを追加すると、TGLF-WINNは訓練データのわずか25%のみを使用してTGLF-NNの全データオフライン精度に一致し、RMSLEはTGLF-NNの全データベースラインの2.8%以内、我々自身の全データ結果の4.3%以内に達する。さらに、下流のフラックス整合ワークフローでの実用性を示す：NNサロゲートは、同等の再構築精度を維持しながら、TGLFに対して45倍の高速化を提供する。