Линза, которая видит перекос: нелинейные модели климата ✛ ✎

Оригинал: "Beyond Gaussian Assumptions: A Nonlinear Generalization of Linear Inverse Modeling"
· Justin Lien, Hiroyasu Ando
arXiv:2503.24234 · 2025-03-31 · arXiv non-exclusive · собственный разбор · 1 мин
Обычные модели климата видят лишь симметричные колебания, но новая квадратичная линза фокусирует перекос между Эль-Ниньо и Ла-Нинья.

Очки с ровными стёклами показывают мир симметричным: подъём и спуск, тепло и холод выглядят одинаково. Климатологи десятилетиями смотрели на Эль-Ниньо через такие очки — линейные обратные модели. Они ловили ритм колебаний, но не видели, что тёплая фаза Эль-Ниньо обычно резче и сильнее холодной Ла-Нинья. Перекос оставался за гранью видимого.

Новая работа предлагает изогнуть линзу: добавить в стохастическое дифференциальное уравнение квадратичные члены. Если линейная модель — это плоское стекло, то квадратичная — линза с кривизной, которая фокусирует не только среднее, но и асимметрию. Параметры такой линзы оценивают по корреляционным функциям наблюдаемых данных вплоть до четвёртого порядка. Это как определять форму стекла по тому, как оно преломляет свет с разных углов.

Ключевой трюк: для белого шума параметры динамики выражаются через математическое ожидание и корреляционные функции второго, третьего и четвёртого порядков в нуле и их первые производные. Для окрашенного шума добавляются вторые производные и кросс-корреляции между шумом и состоянием.

Метод проверили на двумерной синтетической системе, где хаоса нет, и на трёхмерной системе Лоренца, где хаос есть. На реальных данных Эль-Ниньо 3.4 за 1979–2021 годы новая линза дала скошенные распределения: расстояние Вассерштейна для температуры поверхности океана упало с 0.0949 у линейных моделей до 0.0555 у нелинейной с окрашенным шумом. Перекос, который раньше был невидим, проявился.

Теперь климатологи могут разглядывать асимметрию других режимов атмосферы и океана, не довольствуясь симметричными картинками. Линза стала точнее, и мир в ней — ближе к настоящему.

Минимальная размерность для хаоса в автономной дифференцируемой системе равна трём, поэтому авторы сначала проверяют метод на двумерной системе (где хаоса нет), а затем на трёхмерной системе Лоренца.

\frac{d}{dt}x_i = \sum_{j,k} B_{ijk} x_j x_k + \sum_j A_{ij} x_j + C_i + \sum_j (\sqrt{2Q})_{ij} \cdot \text{noise}_j
Скорость изменения каждой переменной зависит от квадратичных взаимодействий, линейного затухания, постоянного сдвига и случайного толчка.
0 = \text{Sym}\left( B \times_2 M(0) + A \times_1 K(0) + C \times_0 E^T + Q \right)
В стационарном состоянии детерминированное затухание и стохастическая накачка уравновешивают друг друга, что позволяет найти матрицу шума.
Q_{C-nLIM} = \arg\min_Q \left( \|R\|_F + \|K(0) - K_{obs}(0)\|_F + \|M(0) - M_{obs}(0)\|_F \right)
Матрица шума подбирается так, чтобы синтетические корреляции и балансовая невязка были как можно ближе к наблюдаемым.
Понятия
линейная инверсная модель нелинейный спектральный анализ Лапласиана нормирующие потоки вероятностная модель стохастическое моделирование моделирование гравитационного линзирования нелинейная динамика гауссовский процесс контрастивное обучение линейная регрессия квантовоподобные модели большие языковые модели распределение Гаусса взвешенное среднее слабое обучение согласованный фильтр смоделированные данные нелинейность физически информированная нейронная сеть моделирование на решётке