基于多智能体强化学习参数化的大气与海洋湍流极端事件预测
机器学习
2023-12-05 v1 计算工程、金融与科学
大气与海洋物理
计算物理
流体动力学
摘要
全球气候模型(GCMs)是理解与预测气候变化的主要工具。然而,由于数值分辨率有限,这些模型存在重大的结构性不确定性;例如,它们无法解析大气与海洋湍流中的小尺度涡旋等关键过程。因此,这些小尺度过程必须通过闭合(参数化)方法表示为可解析尺度的函数。这些闭合的精度对于捕捉气候极端事件尤为关键。传统上,此类闭合基于启发式方法以及对未解析物理过程的简化假设。近年来,在高保真数据上离线训练的有监督学习闭合已被证明优于经典的基于物理的闭合。然而,这种方法需要大量高保真训练数据,且可能导致不稳定。强化学习正成为构建此类闭合的一种强有力的替代方案,因为它仅需低阶统计量,并能产生稳定的闭合。在科学多智能体强化学习(SMARL)中,计算单元兼具离散点与学习智能体的双重角色。我们利用 SMARL 与湍流物理的基本原理,为大气与海洋湍流的原型学习闭合。策略仅使用几乎不变的熵谱进行训练,该谱可由少量高保真样本估计(这些少量样本远不足以用于有监督/离线学习)。我们证明,这些闭合能够产生稳定的低分辨率模拟,以极低的成本复现高保真模拟的统计特性,包括概率密度函数的尾部。结果表明,SMARL 在 GCM 闭合建模方面具有巨大潜力,尤其是在数据稀缺与间接观测的情形下。
引用
@article{arxiv.2312.00907,
title = {Extreme Event Prediction with Multi-agent Reinforcement Learning-based Parametrization of Atmospheric and Oceanic Turbulence},
author = {Rambod Mojgani and Daniel Waelchli and Yifei Guan and Petros Koumoutsakos and Pedram Hassanzadeh},
journal= {arXiv preprint arXiv:2312.00907},
year = {2023}
}