面向海洋湍流亚网格模型的迁移学习物理的傅里叶分析
机器学习
2025-04-23 v1 混沌动力学
大气与海洋物理
地球物理
摘要
迁移学习 (Transfer Learning, TL) 是一种强大的工具，可用于提高神经网络 (NN) 在天气和气候预测以及湍流建模等应用中的性能。 TL 使模型能够针对新系统的最少训练数据对其进行概括，以适应分布之外的数据。在本研究中，我们采用 9 层卷积神经网络预测二维层流海洋准地形系统中的亚网格强迫，并检验哪些指标最能描述其对不可见动力学制度的性能和可概括性。对 NN 核的傅里叶分析揭示，其学习的滤波器为低通、 Gabor 和高通滤波器，无论训练数据是各向同性还是各向异性。通过分析激活光谱，我们识别了在没有迁移学习的情况下神经网络为何无法概括，以及迁移学习如何克服这些限制：从一个数据集学习到的权重和偏置会在神经网络中低估分布之外样本的光谱，从而导致输出光谱的低估。通过仅对目标系统的数据重新训练一层，可纠正这种低估，使神经网络能够生成与目标光谱相匹配的预测。这一发现广泛适用于动力学系统的数据驱动参数化。
引用
@article{arxiv.2504.15487,
title = {Fourier analysis of the physics of transfer learning for data-driven subgrid-scale models of ocean turbulence},
author = {Moein Darman and Pedram Hassanzadeh and Laure Zanna and Ashesh Chattopadhyay},
journal= {arXiv preprint arXiv:2504.15487},
year = {2025}
}