<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/12/Screenshot-2023-12-14-at-1.29.58-AM-1024×635.png”/> <img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/12/Screenshot-2023-12-14-at-1.29.58-AM-150×150.png”/> <p>本研究探讨了自回归神经算子领域中一个艰巨的挑战：延长预测时间范围的能力受限。虽然自回归模型有着很大的潜力，但其不稳定性问题严重影响了其在时空预测中的有效性。这个普遍存在的问题涉及从相对平滑的领域到以ERA5等数据集为代表的复杂的大规模系统的各种情况。
<p>当前的方法在试图延长自回归神经算子的时间预测范围时面临着严峻的障碍。鉴于这些局限性，研究团队提出了一种革命性的解决方案来增强可预测性。该方法通过对频谱神经算子进行根本性的架构转变，以缓解不稳定性问题。与现有方法形成鲜明对比的创新方法赋予这些算子无限的预测时间范围，标志着一个重大的飞跃。
<p>目前，自回归神经算子在预测能力方面遇到了一个重大障碍，无法超越有限的时间范围。传统方法的不稳定性问题限制了其在复杂的时空预测场景中的有效性。针对这个问题，研究团队提出了一种新颖的解决方案，从根本上重塑了频谱神经算子的架构，开启了预测时间范围的潜力。
<p>提出的方法的核心在于重构神经算子块。为了解决混叠和不连续性等挑战，研究人员引入了一个新颖的框架，其中非线性函数始终紧随可学习的滤波器之后，这些滤波器能够有效处理新生成的高频分量。一个关键的创新是引入动态滤波器，取代静态卷积滤波器，并根据特定的数据进行调整。这种适应性通过频率域中的模式多层感知器（MLP）实现。
<p>提出的方法的精髓在于重新构想神经算子块。为了解决混叠和不连续性等挑战，研究人员引入了一个复杂的框架，其中非线性函数始终紧随可学习的滤波器之后，这些滤波器擅长处理新生成的高频分量。一个开创性的元素是将动态滤波器与传统的静态卷积滤波器替换，以适应特定数据的复杂性。这种适应性通过频率域中的模式多层感知器（MLP）实现。
<figure><img alt=”” src=”https://ai.miximages.com/lh7-us.googleusercontent.com/pJ92lyIAeUqFKKoR7NqTsQ7V5yn9_1PlJBbl4xX6XG-kBZQWZWFaO0Yja8oPN0xANRMvBMyimdjeKHYFMTWEtItS4KliuxsGGdt_28T045Ildl2zyjCX1XFHx8E2d7xIwczLogd46TPgu5UJnvJV9Tw”/><figcaption>https://openreview.net/forum?id=RFfUUtKYOG</figcaption></figure> <p>实验结果突显了该方法的功效，显示了显著的稳定性改善。当将该方法应用于旋转浅水方程和ERA5数据集等场景时，这一点尤为明显。通过频率自适应MLP生成的动态滤波器对于确保模型对多种数据集的适应性至关重要。通过将静态滤波器替换为动态对应物，该方法能够灵活处理与数据相关的混叠模式，这是固定策略无法实现的。
<figure><img alt=”” src=”https://ai.miximages.com/lh7-us.googleusercontent.com/ui3wefz0SoNWsJo9njj6tWnCZncx0EtcpS76P1ZRRrFRCk2-wlyfi6sMB9gUo9ks3smjjfdjfJI_3tRbF9uG_vGmh2x6mHpvuY9StcgE2hQQzYzUkaY2Ik9NFgkCO2zE-cgpvLd6_FVKxHrNljpBAkU”/><figcaption>https://openreview.net/forum?id=RFfUUtKYOG</figcaption></figure> <p>总结起来，本研究对于克服自回归神经算子中延长预测时间范围的持久挑战具有开创性的意义。通过重构神经算子块，引入通过频率自适应MLP生成的动态滤波器，是一种高效的策略，可以缓解不稳定性问题，实现无限的预测时间范围。在研究界处理预测的复杂性时，这项工作可以作为一个指南，引领未来努力朝着更健壮和可靠的时空预测模型前进。