Data-driven models in fusion exhaust: AI methods and perspectives
Artikel i vetenskaplig tidskrift, 2024
modeling
exhaust
machine learning
AI methods
Författare
S. Wiesen
Forschungszentrum Jülich
Dutch Institute for Fundamental Energy Research (DIFFER)
S. Dasbach
Forschungszentrum Jülich
Heinrich Heine Universität Düsseldorf
A. Kit
Helsingin Yliopisto
A. Järvinen
Helsingin Yliopisto
Teknologian Tutkimuskeskus (VTT)
Andreas Gillgren
Chalmers, Rymd-, geo- och miljövetenskap, Astronomi och plasmafysik
A. Ho
Dutch Institute for Fundamental Energy Research (DIFFER)
Technische Universiteit Eindhoven
A. Panera
Dutch Institute for Fundamental Energy Research (DIFFER)
D. Reiser
Forschungszentrum Jülich
M. Brenzke
Forschungszentrum Jülich
Y. Poels
Ecole Polytechnique Federale de Lausanne (EPFL)
Technische Universiteit Eindhoven
E. Westerhof
Dutch Institute for Fundamental Energy Research (DIFFER)
V. Menkovski
Technische Universiteit Eindhoven
G. F. Derks
Dutch Institute for Fundamental Energy Research (DIFFER)
Pär Strand
Chalmers, Rymd-, geo- och miljövetenskap, Astronomi och plasmafysik
Nuclear Fusion
00295515 (ISSN) 17414326 (eISSN)
Vol. 64 8 086046Implementation of activities described in the Roadmap to Fusion during Horizon Europe through a joint programme of the members of the EUROfusion consortium
Europeiska kommissionen (EU) (101052200), 2021-01-01 -- 2025-12-31.
Ämneskategorier
Subatomär fysik
Beräkningsmatematik
Datavetenskap (datalogi)
DOI
10.1088/1741-4326/ad5a1d