Data-driven multiscale modeling for correcting dynamical systems

要約

微細から粗い方向の両方で情報を抽出するように明示的に構造化された動的システムの量を予測するためのマルチスケールアプローチを提案します。
この方法は、一般に、重大な自己類似性の問題に適用できるか、予測タスクが困難であり、ターゲット動的システムに対する学習モデルの影響の安定性が重要であることを想定しています。
マルチスケールネットワークが未解決の細かいスケールのダイナミクスの貢献を反映してカオスティック基礎モデルを修正する気候サブグリッドパラメーター化タスクに関するアプローチを評価します。

要約(オリジナル)

We propose a multiscale approach for predicting quantities in dynamical systems which is explicitly structured to extract information in both fine-to-coarse and coarse-to-fine directions. We envision this method being generally applicable to problems with significant self-similarity or in which the prediction task is challenging and where stability of a learned model’s impact on the target dynamical system is important. We evaluate our approach on a climate subgrid parameterization task in which our multiscale networks correct chaotic underlying models to reflect the contributions of unresolved, fine-scale dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google