Apr, 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

PDF
TL;DR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。
machine learningreservoir computinggeophysical turbulencetemporal subsamplingpredictive performance
发现论文，激发创造
  • 深度回声状态网络与不确定性量化在时空预测中的应用

    介绍了一种应用于非线性、多元时间序列的深度集成 ESN 模型及其在美国长期土壤湿度预测中的应用。

    Jun, 2018

  • 一种无侵入式机器学习框架用于去偏低时分辨率的长时间气候模拟和量化罕见事件统计

    提出了一种利用神经网络校正算子的非侵入性方法来校正粗分辨率气候预测，克服了统计学方法无法处理超过训练数据时间的极端事件的挑战，并在实验中成功校正了欧洲中期天气预报模型和能源计算机模式的输出，使其更准确地反映统计数据并显著降低空间偏差。

    Feb, 2024

  • 通过深度序列学习模型模拟三维各向同性湍流的时空实现

    本文使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用 Transformer 网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。

    Dec, 2021

  • 利用神经网络进行二维湍流的子网格建模

    本文提出一种数据驱动的湍流封闭框架，利用人工神经网络预测湍流源项，建立了多个输入和输出之间的映射关系，优化分析和概率密度函数验证了子网格预测，证明了该方法可推断子网格量，为实现无启发式湍流封闭算法打下了良好的基础。

    Aug, 2018

  • 准确深度学习子网格尺度模型用于大涡模拟

    我们提出了两个用于大涡模拟（LES）目的开发的次网格尺度（SGS）湍流模型家族。这些模型的发展需要以物理为基础的强大且高效的深度学习（DL）算法，与最先进的分析建模技术不同，该算法能够产生输入和输出之间的高阶复杂非线性关系。

    Jul, 2023

  • 任意分辨率气候数据下降的傅里叶神经算子

    本文介绍了一种基于 Fourier 神经算子的下采样方法，其能够实现在低分辨率的模拟数据上零样本升采样到任意分辨率，并且在这方面表现优于先前的模型。作者将其在气候和 Navier-Stokes 方程解数据上进行了评估，结果显示其在单分辨率下采样和零样本上采样方面均优于现有的模型。

    May, 2023

  • 使用神经网络对亚网大气过程进行稳定、精确、物理一致参数化，并在降低精度的情况下具有良好性能

    通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化，实现替换传统的物理模型的亚网参数化方法，最终实现稳定的气候模拟并提高计算效率。

    Oct, 2020

  • 地球系统模型降水的条件扩散模型用于降尺度与偏差修正

    气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

    Apr, 2024

  • 基于神经模拟器的无梯度在线学习亚网尺度动力学

    在本文中，我们提出了一种通用算法，用于在线训练基于机器学习的子网参数化，即使用非可微数值求解器的 $ extit {a posteriori}$ loss 函数。所提出的方法利用神经仿真器来训练减少状态空间求解器的近似，然后通过时间积分步骤传播梯度。该算法能够在不计算原始求解器的梯度的情况下恢复大部分在线策略的好处。实验证明，分别使用相应的损失量训练神经仿真器和参数化组件是必要的，以最小化某些近似偏差的传播。

    Oct, 2023

  • 通过粗粒化训练的神经网络参数化的空间扩展测试

    本篇文章研究如何使用神经网络对大气环流系统的参数进行建模，从而更精确地预测系统的状态。

    Apr, 2019