Oct, 2023

OceanNet：基于神经操作符的区域海洋数字孪生模型

PDF
TL;DR研究介绍了 OceanNet，一种基于神经算子方式的洋流数字孪生技术，用于解决海洋建模中的复杂性问题以及季节性预测任务，通过利用历史海面高度数据进行训练，OceanNet 通过超过优化的现代动力学海洋模型预测降低计算量 500,000 倍，展示了物理启发的深度神经算子作为高效替代品的潜力。
data-driven approachesocean modelingneural operatorgulf streamseasonal prediction
发现论文，激发创造
  • 深度神经算子模型在海洋预测中的评估

    深度学习模型框架在预测时间序列数据方面具有潜在应用，尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性，并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。

    Aug, 2023

  • OceanCastNet：一种具有能量守恒的深度学习海洋波浪模型

    该论文提出了一种名为 OceanCastNet (OCN) 的新型能量平衡深度学习波浪预测模型，通过将当前、上一个和下一个时间步的风场以及当前和上一个时间步的波浪场作为输入变量，OCN 在模型内部保持能量平衡。论文通过在 ERA5 数据集上进行一系列实验表明，OCN 能够实现与传统模型相当的短期预测精度，并且展现对波浪生成过程的理解。在正常和极端条件下的比较实验中，OCN 始终胜过行业中广泛使用的 WaveWatch III 模型。即使在长期预测后，OCN 仍然保持稳定和丰富的能量状态。通过构建一个考虑能量平衡的简单气象模型，名为 OCN-wind，论文证实了能量约束对于改善深度学习气象模型的长期预测性能的重要性。这一发现为未来深度学习地球物理流体模型的研究提供了新的思路。

    Jun, 2024

  • 动态图神经网络建模海洋变量

    在本文中，我们使用先进的机器学习方法，包括序列模型（LSTM 和 Transformers）和关系模型（图神经网络），建立了一个在巴西东南海岸 Santos-Sao Vicente-Bertioga 海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型，并将我们的结果与 Santos 操作预测系统进行了比较，证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。

    Jun, 2022

  • 用傅立叶神经算子优化多目标超参数和架构的洋流动力学建模

    利用 DeepHyper 的高级搜索算法优化深度学习模型的超参数选择，尤其针对海洋模拟进行数据驱动建模，以提高模型精确性。实验结果显示，优化后的超参数集在单时间步预测中改善了模型性能，并在长时间范围内的自回归预测中大幅超过了基线配置。利用 DeepHyper 展示了在海洋动力学预测中提升 FNOs 使用的可扩展解决方案。

    Apr, 2024

  • CONet: 一种认知海洋网络

    该文介绍了互联网物联网在海洋学领域的科技革命，提出了海洋认知网络（CONet），并探讨了 CONet 的架构、应用和未来研究方向。

    Jan, 2019

  • AI-GOMS：大规模人工智能驱动的全球海洋建模系统

    AI-GOMS 是一个采用 AI 驱动的全球海洋模拟系统，通过基于傅里叶变换的 Masked Autoencoder 结构和轻量级微调模型，实现了全球海洋的准确和高效的每日预测，提供了一种新的地球系统模型的骨干 - 下游范例，使系统具有可传输性、可扩展性和可重用性。

    Aug, 2023

  • 使用傅里叶神经算子的强大海洋亚格尺度参数化

    气候模拟中，小尺度过程对海洋动力学产生重要影响但直接解析计算代价高。因此，我们开发了基于 Fourier 神经算子的参数化方法，展示了其在准确性和泛化性方面与其他方法的比较。最后，讨论了在频域操作的神经网络的潜力和限制，为未来的研究打下基础。

    Oct, 2023

  • 深度操作网络在核系统数字孪生技术中的潜力

    该研究介绍了 Deep Operator Network (DeepONet) 的应用，作为一个强大的代理建模方法，用于数字孪生系统，应用于核工程领域。DeepONet 展现了出色的预测准确性，优于传统机器学习方法。通过广泛的基准测试和评估，研究展示了 DeepONet 在解决复杂粒子传输问题方面的可伸缩性和计算效率。该研究对优化传感器布置和模型评估提出了挑战，这是实际实施中的关键问题。总的来说，DeepONet 为核工程研究和应用提供了一个有希望和具有变革性的工具，其准确的预测和高效的计算能力可以推动数字孪生系统的进一步发展，推进核工程研究，实现对关键工程领域的代理建模技术的有效利用。

    Aug, 2023

  • 利用模拟数据训练卫星测高的神经映射方案

    利用卫星高度计结合数据同化和最优插值方案深刻地提高了我们监测海表面动态的能力。最近，深度学习方案已成为解决时空插值问题的吸引人的解决方案。然而，海表面实际卫星高度计数据在时空覆盖方面的稀缺程度阻碍了对最新神经方案在实际案例研究上的训练。在这里，我们利用海洋动力学模拟和卫星高度计数据来训练基于模拟的神经映射方案，用于海表面高度，并展示其在实际卫星高度计数据集上的性能。我们进一步分析了训练阶段使用的海洋模拟数据集对性能的影响。我们的基准测试框架侧重于海湾流域，在使用 NEMO 海洋模拟和 4DVarNet 映射方案的真实 5 颗卫星高度计组合的情况下进行比较。所有基于模拟的 4DVarNets 均优于运行中的基于观测和再分析产品，即 DUACS 和 GLORYS。训练阶段使用的海洋模拟数据集越真实，映射效果越好。最佳的 4DVarNet 映射是从丰富的涡旋和无潮数据集中训练的，在分辨率上优于 DUACS（151 公里）和 GLORYS（241 公里），达到了 98 公里，并且均方根误差（RMSE）减少了 23% 和 61%。这些结果为基于学习的方法在海洋建模和海洋观测之间开辟了新的研究途径。

    Sep, 2023

  • 使用深度神经操作符对气候模型进行学习偏差校正

    该研究使用基于深度算子网络的代理模型替代了传统的偏差校正过程，通过结合卷积自动编码器 - 解码器结构来高效地学习更低维度的较高维度数据，以提高计算效率，进而将其应用于在线气候模拟中的偏差纠正模块，以提高气候模型的准确性和效率。

    Feb, 2023