Automatisierte Co-Design hochperformanter thermodynamischer Zyklen über graphbasiertes hierarchisches Reinforcement Learning

arXiv:2604.13133v1 Thermodynamische Zyklen sind entscheidend für die Bestimmung der Effizienz von Energieumwandlungssystemen. Traditionelle Designmethodologien, die auf Fachwissen oder umfassende Aufzählung angewiesen sind, sind ineffizient und skalieren schlecht, was dadurch die Entdeckung einschränkt.