ترجمه فارسی مقاله یک چارچوب احتمالی برای یادگیری اصلاحات غیر مزاحم در شبیه‌سازی‌های اقلیمی بلندمدت از داده‌های آموزشی کوتاه‌مدت

چکیده

Chaotic systems, such as turbulent flows, are ubiquitous in science and engineering. However, their study remains a challenge due to the large range scales, and the strong interaction with other, often not fully understood, physics. As a consequence, the spatiotemporal resolution required for accurate simulation of these systems is typically computationally infeasible, particularly for applications of long-term risk assessment, such as the quantification of extreme weather risk due to climate change. While data-driven modeling offers some promise of alleviating these obstacles, the scarcity of high-quality simulations results in limited available data to train such models, which is often compounded by the lack of stability for long-horizon simulations. As such, the computational, algorithmic, and data restrictions generally imply that the probability of rare extreme events is not accurately captured. In this work we present a general strategy for training neural network models to non-intrusively correct under-resolved long-time simulations of chaotic systems. The approach is based on training a post-processing correction operator on under-resolved simulations nudged towards a high-fidelity reference. This enables us to learn the dynamics of the underlying system directly, which allows us to use very little training data, even when the statistics thereof are far from converged. Additionally, through the use of probabilistic network architectures we are able to leverage the uncertainty due to the limited training data to further improve extrapolation capabilities. We apply our framework to severely under-resolved simulations of quasi-geostrophic flow and demonstrate its ability to accurately predict the anisotropic statistics over time horizons more than 30 times longer than the data seen in training.

چکیده به فارسی (ترجمه ماشینی)

سیستم های هرج و مرج ، مانند جریانهای آشفته ، در علم و مهندسی همه گیر هستند.با این حال ، مطالعه آنها به دلیل مقیاس های دامنه وسیعی و تعامل قوی با فیزیک دیگر ، که اغلب کاملاً درک نشده است ، یک چالش است.به عنوان یک نتیجه ، وضوح مکانی مکانی مورد نیاز برای شبیه سازی دقیق این سیستم ها به طور معمول محاسباتی غیرقابل نفوذ است ، به ویژه برای کاربردهای ارزیابی خطر طولانی مدت ، مانند کمیت خطر شدید آب و هوا به دلیل تغییرات آب و هوایی.در حالی که مدل سازی داده محور وعده هایی را برای کاهش این موانع ارائه می دهد ، کمبود شبیه سازی با کیفیت بالا منجر به داده های محدود در دسترس برای آموزش چنین مدلهایی می شود ، که اغلب با عدم ثبات برای شبیه سازی های هوریزون همراه است.به همین ترتیب ، محدودیت های محاسباتی ، الگوریتمی و داده ها به طور کلی حاکی از آن است که احتمال وقایع شدید نادر به طور دقیق ضبط نمی شود.در این کار ما یک استراتژی کلی برای آموزش مدلهای شبکه عصبی برای تصحیح شبیه سازی های طولانی مدت تحت حل و فصل سیستم های هرج و مرج ارائه می دهیم.این رویکرد مبتنی بر آموزش یک اپراتور تصحیح پس از پردازش در شبیه سازی های تحت حل و فصل است که به سمت یک مرجع با وفاداری بالا می رود.این امر ما را قادر می سازد تا پویایی سیستم زیرین را مستقیماً بیاموزیم ، که به ما امکان می دهد از داده های آموزشی بسیار کمی استفاده کنیم ، حتی اگر آمار آن به دور از همگرا باشد.علاوه بر این ، با استفاده از معماری های شبکه احتمالی ، ما می توانیم از عدم اطمینان به دلیل داده های آموزشی محدود برای بهبود بیشتر قابلیت های برون یابی استفاده کنیم.ما از چارچوب خود برای شبیه سازی های شدید تحت کنترل جریان شبه جغرافیایی استفاده می کنیم و توانایی آن را برای پیش بینی دقیق آمار ناهمسانگرد در افق های زمانی بیش از 30 برابر بیشتر از داده های دیده شده در آموزش نشان می دهیم.