Deep Learning for Koopman Operator Estimation in Idealized Atmospheric Dynamics

要約

ディープラーニングは天気予報に革命をもたらしており、新しいデータ駆動型モデルは中期予測において運用物理モデルと同等の精度を達成しています。
ただし、これらのモデルには解釈可能性が欠けていることが多く、その基礎となるダイナミクスを理解して説明することが困難になります。
この論文では、クープマン オペレーターを推定する方法論を提案し、複雑な非線形ダイナミクスの線形表現を提供して、データ駆動型モデルの透明性を高めます。
その可能性にもかかわらず、大気モデリングなどの大規模な問題に Koopman オペレーターを適用することは依然として困難です。
この研究は、既存の手法の限界を特定し、さまざまなボトルネックを克服するためにこれらのモデルを改良し、単純化されたダイナミクスを捉える新しい畳み込みニューラル ネットワーク アーキテクチャを導入することを目的としています。

要約(オリジナル)

Deep learning is revolutionizing weather forecasting, with new data-driven models achieving accuracy on par with operational physical models for medium-term predictions. However, these models often lack interpretability, making their underlying dynamics difficult to understand and explain. This paper proposes methodologies to estimate the Koopman operator, providing a linear representation of complex nonlinear dynamics to enhance the transparency of data-driven models. Despite its potential, applying the Koopman operator to large-scale problems, such as atmospheric modeling, remains challenging. This study aims to identify the limitations of existing methods, refine these models to overcome various bottlenecks, and introduce novel convolutional neural network architectures that capture simplified dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google