Leveraging Scale Separation and Stochastic Closure for Data-Driven Prediction of Chaotic Dynamics
Die Studie stellt einen rein stochastischen Ansatz vor, der durch die Kombination eines VAE-Transformer-Autoregressionsmodells für großskalige kohärente Strukturen und einer Gauß-Prozess-basierten Schließung für hochauflösende statistische Daten die Vorhersage chaotischer Strömungsdynamiken verbessert und dabei die statistischen Momente sowie Konfidenzintervalle genauer erfasst als bestehende probabilistische Baseline-Modelle.