Vorhersagen von chaotischen Strömungen und extremen Ereignissen im Kurz- und Langzeitbereich: ein physikbeschränkter Reservoir-Computing-Ansatz

Wir schlagen eine physikbeschränkte Methode des maschinellen Lernens vor, die auf Reservoir-Computing basiert, um extreme Ereignisse und langfristige Geschwindigkeitsstatistiken in einem Modell chaotischer Strömung zeitgenau vorherzusagen. Die Methode nutzt die Stärken zweier unterschiedlicher Ansätze: empirische Modellierung basierend auf Reservoir-Computing, die die chaotischen Dynamiken nur aus Daten erlernt, und physikalische Modellierung basierend auf den Erhaltungsgesetzen. Dies ermöglicht es dem Reservoir-Computing-Rahmen, physikalische Vorhersagen auszugeben, wenn Trainingsdaten nicht verfügbar sind. Wir zeigen, dass die Kombination beider Ansätze in der Lage ist, die Geschwindigkeitsstatistiken genau zu reproduzieren und das Auftreten sowie die Amplitude extremen Ereignisse in einem Modell eines selbsttragenden Prozesses in der Turbulenz vorherzusagen. In diesem Fluss sind die extremen Ereignisse abrupte Übergänge von turbulenten zu quasi-laminaren Zuständen, die deterministische Phänomene sind, die aufgrund von Chaos traditionell nicht vorhergesagt werden können. Darüber hinaus zeigt sich, dass die physikbeschränkte Methode des maschinellen Lernens robust gegenüber Rauschen ist. Diese Arbeit eröffnet neue Möglichkeiten, datengestützte Methoden synergetisch mit physikalischem Wissen für die zeitgenaue Vorhersage chaotischer Strömungen zu verbessern.