球面傅里叶神经算子：在球面上学习稳定动力学
机器学习
2023-06-07 v1 数值分析
数值分析
大气与海洋物理
计算物理
摘要
傅里叶神经算子(FNOs)已被证明是科学机器学习广泛应用领域中进行分辨率无关算子学习的一种高效且有效的方法。其成功的一个关键原因在于它们能够通过以计算高效的方式学习全局卷积，准确建模时空数据中的长程依赖。为此，FNOs依赖于离散傅里叶变换(DFT)，然而，当在球坐标中学习算子时，DFTs会因错误地假设平面几何而导致视觉与频谱伪影以及显著的耗散。为克服此局限，我们将FNOs推广到球面，引入球面FNOs (SFNOs)用于在球面几何上学习算子。我们将SFNOs应用于大气动力学预报，并展示了一年模拟时间(1,460步)的稳定自回归滚动预测，同时保留了物理上合理的动力学。SFNO对基于机器学习的气候动力学模拟具有重要意义，最终可能有助于加速我们对气候变化的响应。
引用
@article{arxiv.2306.03838,
title = {Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere},
author = {Boris Bonev and Thorsten Kurth and Christian Hundt and Jaideep Pathak and Maximilian Baust and Karthik Kashinath and Anima Anandkumar},
journal= {arXiv preprint arXiv:2306.03838},
year = {2023}
}