Novo Método de IA Melhora a Calibração de Modelos Oceânicos por meio de Inferência Posterior Localizada — Inteligência artificial

Pesquisadores introduziram uma técnica inovadora de calibração bayesiana que aborda discrepâncias de modelos em sistemas físicos complexos ao construir distribuições posteriores localizadas. Ao ponderar observações com base na sua proximidade a contextos específicos e utilizar fluxos normalizadores condicionais, o método reduz significativamente os erros preditivos em simulações de turbulência oceânica em comparação com abordagens globais tradicionais.

Um novo estudo publicado no arXiv apresenta uma abordagem avançada para calibração de modelos projetada para lidar com discrepâncias que impedem que um único parâmetro reproduza com precisão as respostas físicas sob condições variáveis. A pesquisa, intitulada "Inferência Posterior Localizada Amortecida para Calibração de Modelos com Aplicação a um Fechamento de Turbulência Oceânica", aborda as limitações dos métodos de calibração padrão, onde incertezas nas observações e nos contextos podem distorcer os resultados. Em vez de depender de um parâmetro global, os autores propõem a construção de uma família de posteriores localizados que ponderam as verossimilhanças das observações de acordo com sua proximidade a um contexto-alvo.

A metodologia incorpora pesos de localização gaussiana para levar em conta a incerteza do contexto por meio da inflação da covariância, ao mesmo tempo em que gerencia os limites do domínio por meio de técnicas de reflexão. Para aproximar eficientemente esta família de posteriores sem repetir a inferência para cada contexto-alvo, a equipe empregou fluxos normalizadores condicionais dentro de uma estrutura de inferência variacional amortecida. Isso permite a avaliação rápida de aproximações posteriores em novos contextos e possibilita a integração de posteriores localizados sob uma medida de contexto prescrita para derivar uma distribuição de parâmetros marginalizada.

A eficácia desta abordagem foi validada por meio de dois experimentos distintos. Primeiro, um experimento gêmeo usando o modelo Branin-Hoo comparou inferências globais e localizadas sob distribuições de contexto uniformes e enviesadas. Os resultados indicaram que a localização reduziu os erros preditivos agregados em relação ao posterior global. Segundo, o método foi aplicado para calibrar um fechamento de turbulência k-ε em um modelo oceânico de coluna única, onde o forçamento atmosférico da superfície serviu como contexto. Nesta aplicação, a calibração do posterior localizado demonstrou menores erros de temperatura e velocidade zonal em comparação com os métodos de calibração determinísticos e de posterior global.

O estudo destaca que, embora os modelos numéricos sejam essenciais para áreas como modelagem climática e dinâmica oceânica, eles frequentemente envolvem parâmetros que controlam mecanismos não resolvidos que variam com o contexto. Ao assumir a compensabilidade local, onde a discrepância do modelo pode ser compensada por parâmetros de calibração dentro de uma vizinhança específica, a nova técnica oferece uma maneira mais robusta de quantificar a incerteza. Os autores observam que sua abordagem reduz com sucesso os erros em cenários complexos, ao mesmo tempo em que fornece insights sobre a identificabilidade dos parâmetros sob condições variáveis, como ambientes de ventos fracos e aquecimento.

Fontes: arXiv cs.AI.