数字孪生地球——海岸：通过神经算子开发快速且物理知情的海岸洪水代理模型
大气与海洋物理
2021-10-15 v1
摘要
由于海平面加速上升带来的海岸洪水风险，以及确定性数值模型的计算代价，开发基于物理的海岸与海洋模型的快速准确代理模型成为迫切需求。为此，我们利用扩展最先进神经算子（Neural Operator）的新物理知情机器学习技术，开发了首个地球海岸线的数字孪生。作为概念验证研究，我们在工业标准洪水与海洋模型（NEMO）的模拟上构建了傅里叶神经算子（FNO）代理模型。所得 FNO 代理模型在大多数区域准确预测海面高度，同时实现 NEMO 高达 45 倍加速。我们以端到端和模块化方式交付了开源的 \textit{CoastalTwin} 平台，以便轻松扩展至其他模拟与基于机器学习的代理方法。我们的结果与交付物为大规模加速海岸动力模拟器提供了有前景的途径，可使科学家高效执行大量模拟以用于决策、不确定性量化及其他研究活动。
引用
@article{arxiv.2110.07100,
title = {Digital Twin Earth -- Coasts: Developing a fast and physics-informed surrogate model for coastal floods via neural operators},
author = {Peishi Jiang and Nis Meinert and Helga Jordão and Constantin Weisser and Simon Holgate and Alexander Lavin and Björn Lütjens and Dava Newman and Haruko Wainwright and Catherine Walker and Patrick Barnard},
journal= {arXiv preprint arXiv:2110.07100},
year = {2021}
}