ترجمه فارسی مقاله مدل انتشار تقویت‌شده با مشاهده حالت برای جذب غیرخطی

چکیده

Data assimilation has become a crucial technique aiming to combine physical models with observational data to estimate state variables. Traditional assimilation algorithms often face challenges of high nonlinearity brought by both the physical and observational models. In this work, we propose a novel data-driven assimilation algorithm based on generative models to address such concerns. Our State-Observation Augmented Diffusion (SOAD) model is designed to handle nonlinear physical and observational models more effectively. The marginal posterior associated with SOAD has been derived and then proved to match the real posterior under mild assumptions, which shows theoretical superiority over previous score-based assimilation works. Experimental results also indicate that our SOAD model may offer improved accuracy over existing data-driven methods.

چکیده به فارسی (ترجمه ماشینی)

جذب داده ها به یک تکنیک مهم با هدف ترکیب مدل های فیزیکی با داده های مشاهده ای برای برآورد متغیرهای حالت تبدیل شده است.الگوریتم های جذب سنتی اغلب با چالش های غیرخطی بالا که توسط مدل های فیزیکی و مشاهده ای ایجاد می شود ، روبرو هستند.در این کار ، ما یک الگوریتم جذب اطلاعات مبتنی بر داده را بر اساس مدلهای تولیدی پیشنهاد می کنیم تا چنین نگرانی هایی را برطرف کنیم.مدل انتشار افزوده (SOAD) افزایش حفاظت از دولت ما برای کنترل مدلهای فیزیکی و مشاهده ای غیرخطی به طور مؤثر طراحی شده است.خلفی حاشیه ای مرتبط با SOAD مشتق شده است و سپس ثابت شده است که با فرضیات خفیف ، خلفی واقعی را مطابقت می دهد ، که نشان دهنده برتری نظری نسبت به آثار جذب مبتنی بر نمره قبلی است.نتایج تجربی همچنین نشان می دهد که مدل SOAD ما ممکن است دقت بهبود یافته نسبت به روشهای موجود در داده ها را ارائه دهد.