Une nouvelle étude publiée sur arXiv présente une approche avancée d'étalonnage de modèles conçue pour gérer les écarts qui empêchent un seul paramètre de reproduire avec précision les réponses physiques dans des conditions variables. La recherche, intitulée « Amortized Localized Posterior Inference for Model Calibration with Application to an Ocean Turbulence Closure », aborde les limites des méthodes d'étalonnage standard où les incertitudes dans les observations et les contextes peuvent fausser les résultats. Au lieu de s'appuyer sur un paramètre global, les auteurs proposent de construire une famille de postérieurs localisés qui pondèrent les vraisemblances des observations en fonction de leur proximité avec un contexte cible.
La méthodologie intègre des poids de localisation gaussiens pour tenir compte de l'incertitude du contexte par inflation de la covariance, tout en gérant également les limites du domaine via des techniques de réflexion. Pour approximer efficacement cette famille de postérieurs sans répéter l'inférence pour chaque contexte cible, l'équipe a employé des flux normalisateurs conditionnels au sein d'un cadre d'inférence variationnelle amortie. Cela permet une évaluation rapide des approximations postérieures dans de nouveaux contextes et permet l'intégration de postérieurs localisés sous une mesure de contexte prescrite pour dériver une distribution de paramètres marginalisée.
L'efficacité de cette approche a été validée par deux expériences distinctes. Premièrement, une expérience jumelle utilisant le modèle Branin-Hoo a comparé l'inférence globale et localisée dans des distributions de contexte à la fois uniformes et asymétriques. Les résultats ont indiqué que la localisation réduisait les erreurs prédictives globales par rapport au postérieur global. Deuxièmement, la méthode a été appliquée pour étalonner une fermeture de turbulence k-ε dans un modèle océanique à colonne unique, où le forçage atmosphérique de surface servait de contexte. Dans cette application, l'étalonnage du postérieur localisé a démontré des erreurs de température et de vitesse zonale inférieures par rapport aux méthodes d'étalonnage déterministes et à postérieur global.
L'étude souligne que bien que les modèles numériques soient essentiels pour des domaines tels que la modélisation climatique et la dynamique océanique, ils impliquent souvent des paramètres contrôlant des mécanismes non résolus qui varient selon le contexte. En supposant une compensabilité locale, où l'écart du modèle peut être compensé par des paramètres d'étalonnage dans un voisinage spécifique, la nouvelle technique offre une méthode plus robuste pour quantifier l'incertitude. Les auteurs notent que leur approche réduit avec succès les erreurs dans des scénarios complexes tout en fournissant des informations sur l'identifiabilité des paramètres dans des conditions variables, telles que les environnements de vent faible et de chauffage.
Sources: arXiv cs.AI.