多尺度神经 PDE 代理用于预测与下采样：应用于海流
机器学习
2025-10-21 v2 计算工程、金融与科学
摘要
准确建模由偏微分方程 governing 的物理系统是科学计算中的核心挑战。在海洋学中，高分辨率流数据对海岸管理、环境监测和海运安全至关重要。然而，可用卫星产品（如 Copernicus 海水速度数据，空间分辨率约为0.08度）以及全球海洋模型，往往缺乏进行详细局部分析所需的空间细节。在本工作中，我们（a）引入基于神经算子的监督式深度学习框架，用于求解偏微分方程并提供任意分辨率的解，（b）提出下采样模型并应用于 Copernicus 海流数据。此外，我们的方法可以建模代理偏微分方程，并无论输入分辨率为何，都能预测任意分辨率的解。我们在真实世界的 Copernicus 海流数据和合成 Navier-Stokes 模拟数据集上对模型进行了评估。
引用
@article{arxiv.2507.18067,
title = {Multiscale Neural PDE Surrogates for Prediction and Downscaling: Application to Ocean Currents},
author = {Abdessamad El-Kabid and Loubna Benabbou and Redouane Lguensat and Alex Hernández-García},
journal= {arXiv preprint arXiv:2507.18067},
year = {2025}
}
备注
Tackling Climate Change with Machine Learning: workshop at NeurIPS 2025