Uma Estrutura Unificada para Modelagem Direta e Inversa do Fluxo de Camadas de Gelo usando Redes Neurais Informadas por Física

Prever a contribuição futura das camadas de gelo para o nível do mar apresenta vários desafios devido à falta de observações de condições de contorno críticas, como deslizamento basal. Modelos numéricos tradicionais costumam depender de métodos de assimilação de dados para determinar coeficientes de atrito variáveis espacialmente, resolvendo um problema inverso, dada uma lei empírica de atrito. No entanto, essas abordagens não são versáteis, pois exigem, às vezes, esforços extensivos de desenvolvimento de código ao integrar novas físicas no modelo. Além disso, a exigência de um alinhamento abrangente de dados na grade computacional prejudica sua adaptabilidade, especialmente ao lidar com dados escassos de forma eficaz. Para enfrentar esses desafios, propomos uma abordagem transformadora utilizando Redes Neurais Informadas por Física (PINNs) para integrar perfeitamente dados observacionais e leis físicas subjacentes em uma função de perda unificada, facilitando a solução de problemas diretos e inversos dentro da mesma estrutura. Ilustramos a versatilidade das PINNs aplicando a estrutura a problemas bidimensionais na geleira Helheim, no sudeste da Groelândia. Ao ocultar sistematicamente um componente dentro do sistema, demonstramos a capacidade das PINNs de prever e reconstruir informações ocultas com precisão, enfatizando sua adaptabilidade para lidar com cenários marcados por conjuntos de dados ausentes ou incompletos. Além disso, estendemos a aplicação para abordar um desafiador problema de inversão mista. Mostramos como as PINNs são capazes de inferir o coeficiente de atrito basal enquanto preenchem simultaneamente lacunas na espessura do gelo escassamente observada. Este problema de inversão mista representa uma classe de cenários além do alcance de métodos numéricos convencionais. Nossa estrutura unificada oferece uma avenida promissora para aprimorar as capacidades preditivas dos modelos de camadas de gelo, reduzindo incertezas e avançando nossa compreensão da dinâmica complexa do gelo.