利用神经微分方程捕捉气候模型参数化中的缺失物理
摘要：用高分辨率的流体动力学模型来训练神经微分方程(NDE)，为气候模型中的数据驱动参数化提供了一个理想的框架。NDE在流体动力学应用中克服了传统神经网络(NN)的一些局限，因为它们可以轻松地结合守恒定律和边界条件，并且在时间上稳定。我们提出了一种“残差”方法，其中NN用于通过表示基本参数化未捕获到的残差通量来改进现有的参数化方案。这减少了所需的训练量，并提供了捕获逆梯度和非局部通量的方法。作为一个说明性例子，我们考虑了由表面浮力损失引起的海洋边界层自由对流的参数化。我们证明了一个简单的过程参数化——对流调整——可以通过针对高分辨率的显式模型训练NDE来改进，以捕获混合层底部的混合通量，而这是对流调整本身无法表示的。增强的参数化结果优于现有常用的参数化方案，如K-剖面参数化(KPP)。我们展示了NDE在时间步方法无关性上表现良好，并且使用Julia科学机器学习软件堆栈的可微分模拟在线训练方法将精度提高了一个量级。我们得出结论，NDE为气候科学中亚网格尺度过程的表示提供了一种令人兴奋的前进路线，开启了无数新机遇。
作者：Ali Ramadhan, John Marshall, Andre Souza, Xin Kai Lee, Ulyana Piterbarg, Adeline Hillier, Gregory LeClaire Wagner, Christopher Rackauckas, Chris Hill, Jean-Michel Campin, Raffaele Ferrari
论文ID：2010.12559
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-03-08