Should physical models be replaced by machine learning? A physics-corrected probabilistic forecasting framework

doi:10.1016/j.physa.2026.131997

Should physical models be replaced by machine learning? A physics-corrected probabilistic forecasting framework

2026-09-01

0

PRE

AI

DOI：10.1016/j.physa.2026.131997

原文链接

原文求助

摘要

En 中文

机器学习的最新进展引发了这样一种观点：纯粹的数据驱动模型在预测复杂动态系统方面可以超越传统的物理模型。这种张力在数值天气预报中尤为明显，其中基于物理的模型和深度学习方法都被积极采用。这引发了一个根本性问题：可用的数据是否包含足够的信息，使经验模型能够超越仿真模型？如果是这样，其更广泛的含义是什么？物理模型是否应被完全取代？本文通过首先构建一个基于经典Lorenz63系统的受控系统-模型环境来回答这一问题。引入了一种物理校正方法，其中训练一个数据驱动模型来概率性地校正不完善物理模型输出的系统误差，从而使两者能够互补。该方法并非直接在学习过程中施加控制方程约束，而是将不完善物理模型的输出视为一个有缺陷的预报组件，利用观测数据对其进行校正。此外，它与传统的残差校正方法不同，通过概率化地构建校正本身：不是学习一个单点调整，而是使用混合密度网络学习物理模型预报误差的条件分布。同样，物理模型集合也通过核装饰概率化表示，使所有预报方法能够在共同的概率框架内进行评估。在包括不同观测噪声水平、物理模型不完善程度和预报提前期等条件下进行了大量实验。基于概率预报指标的评估表明，物理校正模型在大多数实验设置中优于独立的物理模型和纯粹数据驱动模型，改进幅度因不同设置而异。结果表明，整合物理和数据驱动视角具有更广泛的价值，提出了一种通用的建模范式，用于构建在广泛复杂动态过程中稳健、可解释且具备不确定性感知能力的预报系统。

Keyword:

Probabilistic forecasting

Machine learning

Uncertainty quantification

Complex dynamical systems

Physics-corrected models

Proper scoring rules

Should physical models be replaced by machine learning? A physics-corrected probabilistic forecasting framework

摘要

期刊

机构

引用论文