用有限频率神经算子更新改造地球系统模型
机器学习
2025-12-04 v1 人工智能
数学物理
math.MP
摘要
低分辨率、不完美的参数化以及不确定的初始状态和强迫限制了地球系统模型(ESM)的预测。传统的通过数据同化进行的偏差校正改善了约束模拟，但在模型自由运行时提供的益处有限。我们引入了一个算子学习框架，将瞬时模型状态映射到偏差校正趋势并在积分过程中在线应用。基于U-Net主干，我们开发了两种算子架构：Inception U-Net(IUNet)和多尺度网络(M&M)，它们结合了多样化的上采样和感受野来在能量超大规模地球系统模型(E3SM)运行时约束下捕获多尺度非线性特征。在两年E3SM模拟（向ERA5再分析数据微调）上进行训练后，这些算子在高度层和季节之间泛化。两种架构在离线测试中均优于标准U-Net基线，表明功能丰富性而非参数数量驱动性能。在在线混合E3SM运行中，M&M在变量和垂直层上提供了最一致的偏差降低。ML增强配置在多年模拟中保持稳定且计算可行，为可扩展的混合建模提供了实用途径。我们的框架强调长期稳定性、可移植性和有限频率更新，展示了表达力强的ML算子在学习结构化跨尺度关系和改造遗留ESM方面的效用。
引用
@article{arxiv.2512.03309,
title = {Retrofitting Earth System Models with Cadence-Limited Neural Operator Updates},
author = {Aniruddha Bora and Shixuan Zhang and Khemraj Shukla and Bryce Harrop and George Em. Karniadakis and L. Ruby Leung},
journal= {arXiv preprint arXiv:2512.03309},
year = {2025}
}