NeuralOGCM: Differenzierbares Ozeanmodell mit lernbarer Physik
Wissenschaftler haben ein neues Ozeanmodell namens NeuralOGCM vorgestellt, das die Vorteile von differenzierbarem Programmieren und Deep Learning kombiniert. Durch die Integration von physikalischem Wissen als Kernbias entsteht ein vollständig differenzierbarer dynamischer Solver, der große, deterministische physikalische Prozesse erfasst.
Ein zentrales Merkmal ist die lernbare Physikintegration, bei der wichtige physikalische Parameter – etwa Diffusionskoeffizienten – in trainierbare Variablen umgewandelt werden. Dadurch kann das Modell seine physikalische Basis selbstständig optimieren und gleichzeitig ein neuronales Netzwerk einsetzen, um subgrid‑skalare Prozesse und Diskretisierungsfehler zu korrigieren.
Die beiden Komponenten arbeiten nahtlos zusammen, wobei ihre Ausgaben von einem einheitlichen ODE‑Solver zusammengeführt werden. In Experimenten zeigte NeuralOGCM eine stabile Langzeitperformance und physikalische Konsistenz, während es die Geschwindigkeit traditioneller numerischer Modelle deutlich übertrifft und die Genauigkeit von reinen KI‑Baselines verbessert.
Dieses neue Verfahren eröffnet einen vielversprechenden Ansatz für die Entwicklung schneller, stabiler und physikalisch plausibler Modelle in der wissenschaftlichen Berechnung.