Generalizable Implicit Neural Representations via Parameterized Latent Dynamics for Baroclinic Ocean Forecasting

要約

メソスケールオーシャンダイナミクスは、気候システムにおいて重要な役割を果たし、熱輸送、ハリケーンジェネシス、干ばつパターンを統治しています。
ただし、これらのプロセスを高解像度でシミュレートすると、非線形のマルチスケールの性質と広大な時空ドメインのために、計算上法外なままです。
暗黙の神経表現（INR）は、分解能に依存しない代理として計算コストを削減しますが、多様なパラメーター全体で迅速な評価を必要とする多くのクエリシナリオ（逆モデリング）で失敗します。
これらの制限に対処するために、ダイナミクスを意識した暗黙の神経表現とパラメーター化された神経の通常の微分方程式を組み合わせた新しいフレームワークであるPinrodを提示します。
パラメトリック依存性を潜在的なダイナミクスに統合することにより、この方法は、さまざまな境界条件と物理的パラメーターにわたって非線形の海洋行動を効率的にキャプチャします。
オーシャンメソスケールアクティビティデータに関する実験は、既存のベースラインよりも優れた精度を示し、標準の数値シミュレーションと比較して計算効率の向上を示しています。

要約(オリジナル)

Mesoscale ocean dynamics play a critical role in climate systems, governing heat transport, hurricane genesis, and drought patterns. However, simulating these processes at high resolution remains computationally prohibitive due to their nonlinear, multiscale nature and vast spatiotemporal domains. Implicit neural representations (INRs) reduce the computational costs as resolution-independent surrogates but fail in many-query scenarios (inverse modeling) requiring rapid evaluations across diverse parameters. We present PINROD, a novel framework combining dynamics-aware implicit neural representations with parameterized neural ordinary differential equations to address these limitations. By integrating parametric dependencies into latent dynamics, our method efficiently captures nonlinear oceanic behavior across varying boundary conditions and physical parameters. Experiments on ocean mesoscale activity data show superior accuracy over existing baselines and improved computational efficiency compared to standard numerical simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google