在他的博士研究中,Aaron Ho 通过使用基于神经网络的模型开发了一个满足这些标准的模型。这种技术有效地让模型以数据收集为代价,同时保留了速度和精度。该数值方法被应用于一个减阶湍流模型QuaLiKiz,该模型可以预测微湍流引起的等离子体传输量。这种特殊的现象是托卡马克等离子体装置中最主要的传输机制。遗憾的是,它的计算也是目前托卡马克等离子体建模的限速因素。
Ho 成功地用 QuaLiKiz 评价训练了一个神经网络模型,同时将实验数据作为训练输入。然后将得到的神经网络耦合到一个更大的集成建模框架 JINTRAC 中,以模拟等离子体装置的核心。