17 天前
基于神经扩散方程的气候建模
Jeehyun Hwang, Jeongwhan Choi, Hwangyong Choi, Kookjin Lee, Dongeun Lee, Noseong Park

摘要
得益于深度学习技术的显著进展,学术界已涌现出一系列基于深度学习的气候建模研究。尽管大多数现有方法采用循环神经网络(RNN)和/或图神经网络(GNN),本文提出了一种基于两个新概念的新型气候模型:神经常微分方程(Neural Ordinary Differential Equation, NODE)与扩散方程。扩散方程能够有效描述涉及粒子布朗运动的多种物理过程,因此在气候建模中被广泛应用。另一方面,神经常微分方程(NODE)旨在从数据中学习隐含的常微分方程(ODE) governing equation。在本文提出的框架中,我们将这两种思想融合为统一的建模体系,并引入一个新概念——神经扩散方程(Neural Diffusion Equation, NDE)。所提出的NDE模型结合了扩散方程与一个额外的神经网络,用于建模系统内在的不确定性,从而能够学习到最适配给定气候数据集的隐含控制方程。在两个真实世界数据集和一个合成数据集上,与十一个基线方法进行对比的实验结果表明,本方法在各项指标上均稳定且显著优于现有方法。