时间下采样削弱地球物理湍流循环神经网络模拟器中的小空间尺度
机器学习
2023-09-25 v2 大气与海洋物理
流体动力学
摘要
传统数值天气和气候模式巨大的计算成本催生了基于机器学习（ML）的模拟器的发展。由于 ML 方法受益于长训练数据记录，通常使用相对于微分方程数值积分所需时间步长进行时间下采样的数据集。在此，我们研究这一常被忽视的处理步骤如何影响模拟器预测的质量。我们实现了来自一类称为储备池计算方法的两种 ML 架构：（1）一种非线性向量自回归（NVAR）形式，以及（2）回声状态网络（ESN）。尽管简单，但已有充分文献表明这些架构擅长预测低维混沌动力学。因此我们受激励在由表面准地转动力学表示的理想化高维地球物理湍流预测设置中测试这些架构。在所有情况下，对训练数据下采样一致导致小空间尺度上类似于数值扩散的偏差增大。有趣的是，当时间分辨率提高时 NVAR 架构变得不稳定，表明基于多项式的相互作用不足以捕捉湍流细致的 nonlinearity。ESN 架构被发现更鲁棒，暗示更昂贵但更通用的结构具有益处。通过在训练中包括对动能密度谱的惩罚，谱误差得以减小，尽管与下采样相关的误差持续存在。未来工作有必要理解训练数据的时间分辨率如何影响其他 ML 架构。
引用
@article{arxiv.2305.00100,
title = {Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural Network Emulators of Geophysical Turbulence},
author = {Timothy A. Smith and Stephen G. Penny and Jason A. Platt and Tse-Chun Chen},
journal= {arXiv preprint arXiv:2305.00100},
year = {2023}
}