基于浅层递归解码器的数据同化与偏差建模

现代传感器需求正在快速演变， driven by data efficiency、real-time processing and deployment under limited sensing coverage 的不断增长。复杂物理系统通常通过在有限数量的点传感器与科学计算的结合来表征，其中科学计算模拟了占主导地位的完整状态动力学。然而，仿真模型不可避免地忽略了小尺度或隐藏过程，对扰动敏感，或过度简化参数相关性，导致重构常常偏离由传感器测量的现实。这造成了对数据同化的关键需求，即将观测数据与预测仿真模型相结合，以产生一致且准确的复杂物理系统完整状态估计。我们提出了一种基于浅层递归解码器的数据同化框架（DA-SHRED），用于弥合计算建模与实验传感器数据之间的 SIM2REAL 差距。对于无法直接观测并需从稀疏传感器测量推断高维时空场的物理系统，我们利用SHRED从简化仿真模型中学习的潜在空间，并通过真实传感器数据更新这些潜在变量，以准确重构完整系统状态。此外，我们的算法在潜在空间中采用稀疏非线性动力学识别回归模型，以识别仿真模型中缺失动力学对应的函数。我们展示了DA-SHRED成功弥合了SIM2REAL差距，同时在高度复杂的系统中恢复缺失的动力学，表明高效时序编码与基于物理的校正的组合实现了稳健的数据同化。