使用神经 ODE 和符号回归发现冰晶的生长方式

沉积冰生长是 Cirrus 云演化中重要的过程，但大气条件下的冰生长物理机制仍不完全理解。一个主要挑战在于，冰晶的早期生长速率无法直接观测，已提出的模型需要对物理过程的函数依赖性作出假设，这些假设仍高度不确定。神经常微分方程（NODE）是一种最近发展的机器学习方法，可用于学习未知函数的导数。本文使用 NODE 学习沉积冰生长模型中未知物理的函数依赖性，通过优化对实验测量的冰晶质量的时间序列。我们发现一种最适合 290 个冰晶质量时间序列的函数形式，这些时间序列来自于在悬浮扩散室中生长的冰晶。我们使用符号回归推导出 NODE 模型所学习函数的方程，其中包括与冰晶质量成正比于电容生长模型中额外项的项。我们在 AIDA 雾化 Aerosol 和云室实验数据集上评估了这种函数形式，发现我们新提出的沉积冰生长模型能够准确再现冰晶生长早期阶段的实验结果。