1097
Моделі машинного навчання навчили відтворювати не лише майбутній рух речовини в мантії Землі, а й реконструювати її попередній тепловий стан. Такий підхід може значно прискорити розрахунки, які традиційними чисельними методами потребують великих обчислювальних ресурсів.
Мантія повільно переміщується під дією теплової конвекції. Ці процеси пов’язані з рухом літосферних плит і тривалою геологічною еволюцією планети. Щоб зрозуміти минуле Землі, геофізики намагаються відновити, як могла виглядати температурна структура мантії мільйони років тому.
Проблема полягає в тому, що рівняння конвекції складні, а зворотне відтворення попереднього стану системи особливо важке. Невеликі похибки можуть накопичуватися, а прямі чисельні симуляції займають багато часу.
У новій роботі основний обчислювальний елемент замінили нейронними операторами — моделями машинного навчання, які навчаються відтворювати відображення між цілими фізичними полями. Дослідники зосередилися на Fourier Neural Operators.
Моделі змогли виконувати як пряме прогнозування наступних станів конвекції, так і зворотну реконструкцію. Вони також вчилися переходити між станами, розділеними великими часовими інтервалами, без необхідності прораховувати кожен дуже малий проміжний крок.
Такий підхід не скасовує фізичні моделі й не замінює геофізичні спостереження. Його розглядають як швидший інструмент для задач, де потрібно багаторазово запускати дорогі симуляції та порівнювати різні сценарії еволюції внутрішніх шарів Землі.
