OceanNet：一种基于神经算子的区域海洋原理化数字孪生
机器学习
2024-09-06 v2 人工智能
混沌动力学
大气与海洋物理
摘要
尽管数据驱动方法在大气建模和天气预报中展现出巨大潜力，但由于复杂的海底地形、陆地、垂直结构以及流动非线性，海洋建模面临着独特的挑战。本研究介绍了 OceanNet，一种基于原理化神经算子的海洋环流数字孪生。OceanNet 使用傅里叶神经算子和预测-评估-校正积分方案来缓解自回归误差增长并增强长时间尺度上的稳定性。一种谱正则化器抵消了较小尺度上的谱偏差。OceanNet 应用于西北大西洋西边界流（墨西哥湾流），聚焦于环流涡和墨西哥湾流弯曲的季节性预测任务。使用历史海表高度（SSH）数据训练，OceanNet 展现出有竞争力的预报技巧，其 SSH 预测优于一个未耦合的、最先进的动力海洋模型预报，并将计算量降低了 500,000 倍。这些成果证明了物理启发的深度神经算子作为高分辨率数值海洋模型高性价比替代方案的潜力。
引用
@article{arxiv.2310.00813,
title = {OceanNet: A principled neural operator-based digital twin for regional oceans},
author = {Ashesh Chattopadhyay and Michael Gray and Tianning Wu and Anna B. Lowe and Ruoying He},
journal= {arXiv preprint arXiv:2310.00813},
year = {2024}
}
备注
Supplementary information can be found in: https://drive.google.com/file/d/1NoxJLa967naJT787a5-IfZ7f_MmRuZMP/view?usp=sharing