PnP-DA：面向变分数据同化与生成模型的原则化即插即用集成
机器学习
2025-08-04 v1 计算物理
摘要
地球系统建模是一项基本挑战：在计算效率模型中捕捉复杂的多尺度非线性动力学，同时最小化由必要简化导致的预测误差。即使是最强大的 AI 或基于物理的预测系统，也会因误差累积而受到影响。数据同化（DA）旨在通过最优方式将（噪声的）观测与先验模型预测融合，以缓解这些误差。然而，传统变分方法常假设高斯误差统计，而这无法捕捉混沌动力学系统中真实非高斯行为。我们提出了 PnP-DA，即一种即插即用算法，交替进行（1）基于新观测的马哈努里斯距离失配的轻量级梯度分析更新，以及（2）通过条件 Wasserstein 耦合对背景预测进行条件化的预训练生成先验单次前向传递。该策略放宽了限制性统计假设，利用丰富历史数据，无需显式正则化函数，亦无需在同化循环中对编码先验的复杂神经网络反向传播。在标准混沌测试床上的实验表明，该策略在各种观测稀疏性和噪声水平下均能持续降低预测误差，优于经典变分方法。
关键词
引用
@article{arxiv.2508.00325,
title = {PnP-DA: Towards Principled Plug-and-Play Integration of Variational Data Assimilation and Generative Models},
author = {Yongquan Qu and Matthieu Blanke and Sara Shamekh and Pierre Gentine},
journal= {arXiv preprint arXiv:2508.00325},
year = {2025}
}