用于次网格湍流输运的深度代理模型的聚类加权训练

太阳内部和大气中的湍流在能量输运中起着至关重要的作用，然而对其次网格尺度效应的建模仍然是一个重大挑战。本研究利用机器学习（ML）模型，使用宁静太阳的高分辨率StellarBox模拟来预测雷诺应力张量的分量。此前，我们比较了多层感知器（MLP）和3D卷积神经网络（CNN）与基于物理的基线，以在太阳大气的不同高度和深度实现更低的均方误差（MSE）和更好的泛化能力。为了增强学习，在本工作中，我们研究了使用K-Means和层次凝聚聚类（HAC）的聚类加权训练。通过根据聚类特定的预测误差对损失函数进行加权，我们将模型的注意力引导到高误差区域。这显著提高了CNN的性能，实现了34%的MSE降低和显著更高的R2分数，表明将确定性聚类与ML相结合是建模次网格湍流的一种有前途的技术，特别是在各种环境中的回归问题。