Abstract :
[en] This research aims to explore novel methods for parameterizing the contributions of subgrid-scale processes, which refer to physical phenomena occurring at scales finer than the simulation resolution. More precisely, this work is built upon the research of Ross et al., 2023, who, after many years of parameterization development, have created a framework to properly conduct the assessment of the quality of a parameterization.
In addition to replicating their findings, this study extends its scope by attempting to enhance their results through a series of experiments involving more complex datasets. Furthermore, and perhaps most significantly, it delves into the use of Fourier Neural Operators for modeling subgrid-scale process contributions. These neural networks were recently introduced by Li et al., 2020, and have already exhibited impressive results in many areas of computational fluid dynamics. Hence, while building upon the foundation laid by Ross et al., 2023, this study also pioneers the use of Fourier Neural Operators in this context, subjecting them to comprehensive evaluation within the established benchmarking framework.
In conclusion, this research not only facilitates a comprehensive grasp of the underlying physics in ocean-climate simulations but also delves into unexplored realms by leveraging state-of-the-art deep learning techniques for modeling subgrid-scale processes contributions. The conclusive results show promise and underscore the notion that the most captivating discoveries frequently emerge at the crossroads of two captivating scientific domains.
*Ross, Andrew et al. (2023). “Benchmarking of machine learning ocean subgrid parameterzations in an idealized model”. In: Journal of Advances in Modeling Earth Systems 15.1, e2022MS003258.
**Li, Zongyi et al. (2020). “Fourier neural operator for parametric partial differential equations”. In: arXiv preprint arXiv:2010.08895.
[fr] Cette recherche vise à explorer de nouvelles méthodes pour paramétrer les contributions des processus à l'échelle sous-grille, qui font référence à des phénomènes physiques se produisant à des échelles plus fines que la résolution de la simulation. Plus précisément, ce travail s'appuie sur la recherche de Ross et al., 2023, qui, après de nombreuses années de développement de paramétrisation, ont créé un cadre pour mener correctement l'évaluation de la qualité d'une paramétrisation.
En plus de reproduire leurs résultats, cette étude élargit sa portée en tentant d'améliorer leurs résultats à travers une série d'expériences impliquant des ensembles de données plus complexes. De plus, et peut-être le plus significatif, elle explore l'utilisation des opérateurs neuronaux de Fourier pour modéliser les contributions des processus à l'échelle sous-grille. Ces réseaux neuronaux ont été récemment introduits par Li et al., 2020, et ont déjà montré des résultats impressionnants dans de nombreux domaines de la dynamique des fluides computationnelle. Ainsi, tout en s'appuyant sur les bases posées par Ross et al., 2023, cette étude pionnière également l'utilisation des opérateurs neuronaux de Fourier dans ce contexte, les soumettant à une évaluation approfondie dans le cadre de référence établi.
En conclusion, cette recherche facilite non seulement une compréhension approfondie de la physique sous-jacente dans les simulations océaniques-climatiques, mais explore également des domaines inexplorés en exploitant des techniques de pointe en apprentissage profond pour modéliser les contributions des processus à l'échelle sous-grille. Les résultats conclusifs montrent des promesses et soulignent l'idée que les découvertes les plus captivantes émergent fréquemment à la croisée de deux domaines scientifiques captivants.
[de] Diese Forschung zielt darauf ab, neuartige Methoden zur Parametrisierung der Beiträge von Prozessen auf Untergrid-Ebene zu erkunden, die sich auf physikalische Phänomene beziehen, die auf Skalen auftreten, die feiner sind als die Auflösung der Simulation. Genauer gesagt baut diese Arbeit auf der Forschung von Ross et al., 2023, auf, die nach vielen Jahren der Parameterentwicklung einen Rahmen geschaffen haben, um die Qualität einer Parametrisierung angemessen zu bewerten.
Zusätzlich zur Reproduktion ihrer Ergebnisse erweitert diese Studie ihren Umfang, indem sie versucht, ihre Ergebnisse durch eine Reihe von Experimenten mit komplexeren Datensätzen zu verbessern. Darüber hinaus geht sie in die Verwendung von Fourier-Neuronalen Operatoren für die Modellierung von Beiträgen von Prozessen auf Untergrid-Ebene ein. Diese neuronalen Netzwerke wurden kürzlich von Li et al., 2020, eingeführt und haben bereits beeindruckende Ergebnisse in vielen Bereichen der numerischen Strömungsmechanik gezeigt. Daher bahnt diese Studie nicht nur den Weg auf den von Ross et al., 2023, gelegten Grundlagen, sondern pioniert auch die Verwendung von Fourier-Neuronalen Operatoren in diesem Kontext und unterzieht sie einer umfassenden Bewertung im etablierten Benchmark-Rahmen.
Zusammenfassend erleichtert diese Forschung nicht nur ein umfassendes Verständnis der zugrunde liegenden Physik in Ozean-Klima-Simulationen, sondern erforscht auch unerforschte Gebiete, indem sie modernste Deep-Learning-Techniken zur Modellierung von Beiträgen von Prozessen auf Untergrid-Ebene nutzt. Die abschließenden Ergebnisse zeigen vielversprechende Ansätze und unterstreichen die Vorstellung, dass die faszinierendsten Entdeckungen häufig an den Schnittpunkten zweier fesselnder wissenschaftlicher Domänen entstehen.
