Résumé - Surrogats de PDE neuronaux à multiples échelles pour la prévision et la réduction de l'échelle : Application aux courants océaniques

Surrogats de PDE neuronaux à multiples échelles pour la prévision et la réduction de l'échelle : Application aux courants océaniques

2025-07-24 03:42:06

{"Abdessamad El-Kabid","Loubna Benabbou","Redouane Lguensat","Alex Hernández-García"}

{cs.LG,cs.CE}

Cette recherche explore l'utilisation de l'apprentissage profond, en particulier les opérateurs neuronaux, pour prédire et redimensionner les données des courants océaniques. Les auteurs soulignent l'importance des champs de courants marins précis et à haute résolution pour diverses applications telles que la gestion côtière, la surveillance environnementale et la sécurité maritime. Cependant, les données disponibles manquent souvent de la granularité spatiale requise pour des analyses locales détaillées. Les auteurs introduisent un cadre d'apprentissage profond supervisé basé sur les opérateurs neuronaux pour résoudre les équations aux dérivées partielles (EDP) et fournir des solutions d'arbitraire résolution. Ils proposent également des modèles de redimensionnement avec une application aux données des courants océaniques Copernicus. Leur méthode peut modéliser des EDP substituts et prédire des solutions à résolution arbitraire, indépendamment de la résolution d'entrée. La recherche implique les contributions clés suivantes : 1. Comparaison de multiples modèles pour le redimensionnement à résolution arbitraire et application de ceux-ci à des observations physiques telles que les données des courants océaniques Copernicus. 2. Développement d'un modèle substitut capable de prédire des solutions d'EDP à résolution arbitraire, indépendamment de la résolution d'entrée, offrant plus de flexibilité et d'étendue au modèle. Les auteurs évaluent leur modèle sur des données réelles des courants océaniques Copernicus et des ensembles de données de simulation synthétiques de Navier–Stokes. Ils trouvent que leurs modèles surpassent considérablement les bases conventionnelles des CNN à tous les niveaux de redimensionnement, avec une dégradation des performances qui devient évidente à mesure que le gap de résolution augmente. Leurs modèles démontrent une performance robuste à toutes les échelles, excellant particulièrement dans le redimensionnement 4× sans pré-entraînement. Les auteurs discutent des limites de leurs modèles, telles que la dégradation de l'exactitude avec des facteurs de redimensionnement plus élevés et le manque de détails à grande échelle informatifs. Ils proposent deux directions pour la recherche future : améliorer davantage la capacité de redimensionnement de leurs modèles et caractériser théoriquement les limites de ces modèles à mesure que le comportement physique régissant et les équations changent avec l'augmentation de la résolution. Dans l'ensemble, cette recherche présente une approche prometteuse pour prédire et redimensionner les données des courants océaniques en utilisant l'apprentissage profond et les opérateurs neuronaux, avec des applications potentielles dans divers domaines marins et environnementaux.