ترجمه فارسی مقاله مدل‌سازی بسته شدن تصادفی مبتنی بر داده از طریق مدل انتشار شرطی و عملگر عصبی

چکیده

Closure models are widely used in simulating complex multiscale dynamical systems such as turbulence and the earth system, for which direct numerical simulation that resolves all scales is often too expensive. For those systems without a clear scale separation, deterministic and local closure models often lack enough generalization capability, which limits their performance in many real-world applications. In this work, we propose a data-driven modeling framework for constructing stochastic and non-local closure models via conditional diffusion model and neural operator. Specifically, the Fourier neural operator is incorporated into a score-based diffusion model, which serves as a data-driven stochastic closure model for complex dynamical systems governed by partial differential equations (PDEs). We also demonstrate how accelerated sampling methods can improve the efficiency of the data-driven stochastic closure model. The results show that the proposed methodology provides a systematic approach via generative machine learning techniques to construct data-driven stochastic closure models for multiscale dynamical systems with continuous spatiotemporal fields.

چکیده به فارسی (ترجمه ماشینی)

مدل های بسته شدن به طور گسترده ای در شبیه سازی سیستم های دینامیکی پیچیده مانند تلاطم و سیستم زمین مورد استفاده قرار می گیرند ، که برای آن شبیه سازی عددی مستقیم که تمام مقیاس ها را برطرف می کند اغلب بسیار گران است.برای آن دسته از سیستم های بدون جداسازی در مقیاس روشن ، مدلهای تعطیل قطعی و محلی اغلب فاقد توانایی تعمیم کافی هستند ، که عملکرد آنها را در بسیاری از برنامه های دنیای واقعی محدود می کند.در این کار ، ما یک چارچوب مدل سازی داده محور برای ساخت مدل های بسته شدن تصادفی و غیر محلی از طریق مدل انتشار مشروط و اپراتور عصبی پیشنهاد می کنیم.به طور خاص ، اپراتور عصبی فوریه در یک مدل انتشار مبتنی بر نمره گنجانیده شده است ، که به عنوان یک مدل بسته شدن تصادفی داده محور برای سیستمهای پیچیده دینامیکی اداره شده توسط معادلات دیفرانسیل جزئی (PDE) عمل می کند.ما همچنین نشان می دهیم که چگونه روشهای نمونه برداری شتاب می تواند باعث بهبود کارایی مدل بسته شدن تصادفی داده محور شود.نتایج نشان می دهد که روش پیشنهادی یک رویکرد سیستماتیک از طریق تکنیک های یادگیری ماشین تولیدی برای ساخت مدل های بسته شدن تصادفی داده محور برای سیستم های دینامیکی چند مقیاس با زمینه های فضایی مداوم مداوم ارائه می دهد.