Online learning of subgrid-scale models for quasi-geostrophic turbulence in planetary interiors
本文介绍了一种用于有界旋转拟地转湍流中亚网格尺度建模的在线端到端机器学习框架，该框架成功重现了长期动力学行为，并且优于经典的闭合方案，从而实现了对直接数值模拟无法企及的行星内部过程的高效长期模拟。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，像地球或木星这样的行星内部，就像一锅巨大的、翻滚着的汤，只不过里面装的不是蔬菜，而是超热、旋转的液态金属或气体。这锅“汤”正在极快地旋转，这种旋转产生了一种无形的力，将混乱的状态组织成巨大的、如河流般的风或电流，被称为“喷流”（jets）。科学家们想要了解这些行星引擎是如何工作的，因为它们创造了保护我们免受太空辐射的磁场，并驱动着天气变化。但问题在于，这些流动既有小到一米规模的微观尺度，也有大到整个行星规模的宏观尺度。试图在计算机上模拟每一个细小的旋涡，就像是在潮水涌入时试图数清沙滩上的每一粒沙子一样；这需要如此巨大的计算能力，以至于即使是最快的超级计算机也无法模拟这些行星旋转数百万年的过程。
为了绕过这个问题，科学家们使用了“亚网格尺度模型”（subgrid-scale models）。把这想象成一种聪明的捷径。与其追踪每一粒细小的沙子，计算机可以模拟大波浪，并使用一个聪明的猜测来推断那些细小的沙粒是如何推动或拉扯大波浪的。几十年来，这些猜测一直基于简单的数学公式。但最近，研究人员开始尝试让计算机通过学习来掌握这些猜测，就像视频游戏中的人工智能通过观看数千小时的游戏过程来学习如何玩得更好一样。核心问题是：计算机能否学会准确地猜测这些微小的细节，从而能够长时间运行一个行星内部的模拟，而不会导致整个系统崩溃？
由 Hugo Frezat、Thomas Gastine 和 Alexandre Fournier 撰写的这篇论文，正是针对这一特定问题展开讨论的，研究对象是一种特定的行星流动类型——“准地转湍流”（quasi-geostrophic turbulence）。团队构建了一个特殊的计算机程序，该程序可以在模拟运行的过程中“学习”缺失的微小细节，他们称之为“在线学习”（online learning）。他们在一种简化的行星内部模型上进行了测试——一个充满流体的、旋转的环形容器。他们创建了三种不同的场景：一种具有简单的指数形状，另外两种具有球形形状（类似于空心球），且旋转速度各不相同。在这些模拟中，流体自然地形成了巨大的东西向喷流，以及被称为罗斯贝波（Rossby waves）的涟漪；在球形案例中，这些喷流还会随着时间的推移缓慢向内漂移。
研究人员使用来自高分辨率模拟的数据来训练他们的机器学习模型，而该高分辨率模拟仅运行了一个“周转时间”（即一个大旋涡旋转一周所需的时间）。然后，他们让模型运行一个“粗糙”模拟——这种模拟忽略了微小的细节以节省时间——并利用他们学到的猜测来填补空白。结果令人印象深刻。尽管模型的训练时间很短，但它成功预测了系统长达 100 倍于训练窗口的行为。它准确地重现了流动的能量、喷流的模式，甚至是球形容器中喷流那缓慢而神秘的向内漂移现象。
至关重要的是，这篇论文反对了“先训练好模型再将其插入模拟中”（即“离线”方法）的观点。作者发现，对于这种带有固体壁面的旋转流体，离线训练会导致模拟不稳定甚至崩溃。只有“在线”方法（即模型在模拟运行时进行学习）才能保持稳定。他们还将 AI 模型与旧有的标准方法进行了比较，例如“超扩散”（hyperdiffusivity，起额外摩擦作用的作用）和“Leith 闭合”（Leith closure，一种经典的湍流公式）。虽然旧方法在保持高网格分辨率时表现尚可，但当研究人员尝试进一步降低分辨率以节省更多时间时，这些方法就彻底失败了。然而，AI 模型在粗糙网格上表现出色，其运行速度比高分辨率模拟快约 11 倍，比旧方法快 5 倍，同时还能保持物理规律的正确性。
这项研究表明，这种在线学习方法是探索此前无法模拟的长期行星过程的强大工具。它表明，一个仅通过极短时间训练的机器学习模型，可以捕捉到预测行星喷流移动和合并所需的复杂物理机制。虽然目前的测试局限于特定的、简化的设置，但这一成功为使用这些技术来研究更复杂的现实世界场景打开了大门，有望帮助我们理解地球及其他行星内部正在发生的深层、缓慢的变化。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。