基于深度学习的气候系统数字孪生的长期不稳定性：原因与解决方案

Apr, 2023

基于深度学习的气候系统数字孪生的长期不稳定性：原因与解决方案

Long-term instabilities of deep learning-based digital twins of the climate system: The cause and a solution

Ashesh Chattopadhyay, Pedram Hassanzadeh

TL;DR本文旨在解决数据驱动数字孪生模型长期稳定性的问题，揭示了任何深度学习结构中普遍的因果机制，即：谱偏差，并进一步阐明了如何通过深度学习理论和基本数值分析弥补这种偏差，提出了一种缓解此类不稳定性的方法，实现了气候系统的长期稳定数值模拟和准确的短期预测。

Abstract

long-term stability is a critical property for deep learning-based data-driven digital twins of the Earth system. Such data-driven digital twins<

data-driven digital twins instabilities spectral bias turbulence physics long-term stability

发现论文，激发创造

球面扩散下全球气候模型的概率仿真

数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

Jun, 2024

数据驱动的全球中期气象预报的长期预测精度提升

引入球谐神经算子 (SHNO) 的研究以改善长期迭代预测，通过减轻球面数据的扭曲并纠正由虚假相关引起的谱偏差，通过应用于球面浅水方程 (SWEs) 和中长期全球天气预报验证了其有效性和优点，强调了 SHNO 提高长期预测准确性的潜力。

Jun, 2024

朝物理一致的深度学习迈进气候模型参数化

通过提取关键特征并使用这些相关特征进行神经网络微调，我们提出了一种有效的有监督学习框架，用于基于深度学习的参数化模型，以实现物理上一致、可解释性较强且与标准黑盒深度学习参数化模型在预测性能上保持相等的预测性能。

Jun, 2024

动力系统中隐式神经网络的长期预测稳定性

介绍了一种稳定的自回归隐式神经网络用于长期预测，通过在权重上应用硬约束传播潜在空间中的动态，证明了其稳定性并在两个输运 PDE 的长期预测中获得了改进的结果。

May, 2023

时间子采样减弱了地球物理湍流的递归神经网络仿真中的小空间尺度

该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。