
Прогнозирование поведения хаотических систем требует значительных вычислительных ресурсов из-за необходимости высокоразрешенных пространственно-временных сеток. Вместо полностью разрешенных симуляций (FRS) можно использовать грубые сетки с моделями замыкания, исправляющими ошибки путем аппроксимации недостающей информации мелкой структуры. Методы машинного обучения позволяют улучшить модели замыкания, однако они сталкиваются с препятствиями, такими как необходимость больших объемов дорогостоящих данных высокого разрешения и использование грубых сеток, полученных из уменьшенных данных FRS.
Ученые из Caltech выявили ключевое ограничение традиционных моделей замыкания для прогнозирования долгосрочной статистики хаотических систем. Для решения этой проблемы они разработали физико-основанный нейрооператор (PINO), который позволяет точно оценивать долгосрочную статистику с ускорением в 120 раз и ошибкой всего ~5%, превосходя традиционные модели замыкания. PINO обучается на данных грубых сеток и дополняется небольшим количеством данных с высокой степенью точности и физически обоснованными ограничениями.
Это новаторское решение позволяет сделать точные прогнозы в хаотических системах эффективно, превосходя традиционные модели замыкания. Предлагаемый подход имеет широкие применения, включая моделирование климата и задачи генерации изображений.
Определите, как можно использовать автоматизацию с помощью ИИ, найдите области, где клиенты могут получить выгоду от этой технологии.
Подберите подходящее ИИ-решение, внедряйте его постепенно, начиная с небольших проектов. Анализируйте результаты и ключевые показатели эффективности.
С увеличением данных и опыта расширяйте автоматизацию с применением ИИ. Следите за новостями об ИИ в нашем Telegram-канале для более эффективного внедрения.
Оставьте заявку — мы свяжемся с вами и расскажем, как начать работу