ترجمه فارسی مقاله فیلترینگ دقیق مبتنی بر یادگیری عمیق برای دینامیک آشوبناک با شناسایی ناپایداری‌ها بدون یک مجموعه

چکیده

We investigate the ability to discover data assimilation (DA) schemes meant for chaotic dynamics with deep learning. The focus is on learning the analysis step of sequential DA, from state trajectories and their observations, using a simple residual convolutional neural network, while assuming the dynamics to be known. Experiments are performed with the Lorenz 96 dynamics, which display spatiotemporal chaos and for which solid benchmarks for DA performance exist. The accuracy of the states obtained from the learned analysis approaches that of the best possibly tuned ensemble Kalman filter, and is far better than that of variational DA alternatives. Critically, this can be achieved while propagating even just a single state in the forecast step. We investigate the reason for achieving ensemble filtering accuracy without an ensemble. We diagnose that the analysis scheme actually identifies key dynamical perturbations, mildly aligned with the unstable subspace, from the forecast state alone, without any ensemble-based covariances representation. This reveals that the analysis scheme has learned some multiplicative ergodic theorem associated to the DA process seen as a non-autonomous random dynamical system.

چکیده به فارسی (ترجمه ماشینی)

ما توانایی کشف طرح های جذب داده (DA) را برای پویایی هرج و مرج با یادگیری عمیق بررسی می کنیم.تمرکز بر یادگیری مرحله تجزیه و تحلیل DA پی در پی ، از مسیرهای دولتی و مشاهدات آنها ، با استفاده از یک شبکه عصبی حلقوی باقیمانده ساده است ، در حالی که فرض می کند پویایی شناخته می شود.آزمایشات با Dynamics Lorenz 96 انجام می شود ، که هرج و مرج فضایی را نشان می دهد و معیارهای جامد برای عملکرد DA وجود دارد.صحت حالتهای به دست آمده از تجزیه و تحلیل آموخته شده از بهترین فیلتر کلمن مجموعه ای که احتمالاً تنظیم شده است ، و به مراتب بهتر از گزینه های DA متغیر است.از نظر انتقادی ، این امر می تواند در حالی که حتی در یک مرحله پیش بینی حتی یک حالت واحد را نیز تبلیغ می کند ، حاصل شود.ما دلیل دستیابی به دقت فیلتر کردن گروه را بدون یک گروه بررسی می کنیم.ما تشخیص می دهیم که طرح تجزیه و تحلیل در واقع آشفتگی های دینامیکی کلیدی را مشخص می کند ، که به طرز خفیف با فضای ناپایدار ، از حالت پیش بینی شده به تنهایی ، بدون هیچ گونه نمایش کواریانس مبتنی بر گروه ، تراز شده است.این نشان می دهد که طرح تجزیه و تحلیل برخی از قضیه های ارگودیک چند برابر مرتبط با فرآیند DA را که به عنوان یک سیستم دینامیکی تصادفی غیر خودمختار دیده می شود ، آموخته است.