Nature Scientific Reports: OceanNet: основанный на принципах цифровой двойник на базе нейронного оператора для региональных океанов
В то время как подходы, основанные на данных, демонстрируют большой потенциал в атмосферном моделировании и прогнозировании погоды, моделирование океана создаёт особые проблемы из-за сложной батиметрии, рельефа, вертикальной структуры и нелинейности потока. В этом исследовании представлен OceanNet, основанный на принципах нейронный операторный цифровой близнец для региональной эмуляции высоты морской поверхности. OceanNet использует нейронный оператор Фурье и схему интеграции предиктор-оценка-корректор для смягчения роста авторегрессионной ошибки и повышения стабильности в расширенных временных масштабах. Спектральный регуляризатор противодействует спектральному смещению в меньших масштабах. OceanNet применяется к западному граничному течению северо-западной части Атлантического океана (Гольфстриму), фокусируясь на задаче сезонного прогнозирования для вихрей кольцевого течения и меандра Гольфстрима. Обученный с использованием исторических данных о высоте морской поверхности, OceanNet демонстрирует конкурентоспособные качества прогнозирования по сравнению с современным прогнозом динамической модели океана, сокращая вычисления в 500 000 раз. Эти достижения демонстрируют первые шаги на пути к созданию основанных на физике глубоких нейронных операторов в качестве экономически эффективной альтернативы численным моделям океана с высоким разрешением.
