海洋动力学中的有原则算子学习:时间结构的作用
机器学习
2025-10-14 v1 大气与海洋物理
摘要
神经算子正逐渐成为学习天气与海洋预报应用中控制偏微分方程(PDE)解的默认工具。尽管早期取得了令人鼓舞的成果,但仍存在重大挑战,包括长期预测稳定性以及对物理定律的遵循,尤其对于高频过程而言。本文通过引入时间傅里叶模式,朝着解决高分辨率海洋预测中这些挑战的方向迈进了一步,并展示了这一改进如何增强物理保真度。本研究将标准傅里叶神经算子(FNO)与其变体 FNOtD 进行比较,后者经过修改以在学习海洋 PDE 解算子的同时内化色散关系。结果表明,在积分核的训练中纠缠空间与时间使模型能够捕捉多尺度波动传播并有效学习海洋动力学。在具有挑战性的高频场景下,FNOtD 显著改善了长期预测稳定性以及与底层物理动力学的一致性,相较于标准 FNO 优势明显。同时,它在预测技巧上可与最先进的数值海洋模型相媲美,而计算成本则显著降低。
引用
@article{arxiv.2510.09792,
title = {Principled Operator Learning in Ocean Dynamics: The Role of Temporal Structure},
author = {Vahidreza Jahanmard and Ali Ramezani-Kebrya and Robinson Hordoir},
journal= {arXiv preprint arXiv:2510.09792},
year = {2025}
}
备注
Accepted at NeurIPS ML4PS 2025