随机潜变Transformer：随机强迫纬向急流的高效建模

我们提出一种新颖的概率深度学习方法是“随机潜变Transformer”(SLT)，专为随机偏微分方程的高效降阶建模而设计。随机驱动流模型与众多自然现象相关，包括巨行星上的急流、海洋环流以及中纬度天气的变率。然而，深度学习近期的进展主要集中于确定性系统。SLT由一个随机强迫的transformer与一个平移等变自编码器组成，以连续排序概率分数为训练目标。我们将其应用于一个研究充分的纬向急流系统来展示其有效性，其中随机强迫涡旋与纬向平均流之间的相互作用产生了丰富的低频变率。SLT在各种积分时段准确再现系统动力学，并通过包含谱特性和不同状态间转换率的定量诊断进行验证。与直接数值模拟相比，SLT在模拟纬向平均流方面实现了五个数量级的加速。这一加速有助于低成本生成大型集合，从而能够探究有关自发转换事件概率的统计问题。