[論文レビュー] Auto-differentiable data assimilation: Co-learning of states, dynamics, and filtering algorithms

Melissa Adrian, Daniel Sanz-Alonso+1 more|arXiv (Cornell University)|Mar 21, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

この論文は、オート微分を用いてデータ同化における状態・ダイナミクス・フィルタリングパラメータを共同学習する一般的なフレームワークを提示し、この枠組み内で新しいアルゴリズムを導入します。複数のダイナミカル系にわたる共学習を実証し、実務家への実践的ガイダンスを提供します。

ABSTRACT

Data assimilation algorithms estimate the state of a dynamical system from partial observations, where the successful performance of these algorithms hinges on costly parameter tuning and on employing an accurate model for the dynamics. This paper introduces a framework for jointly learning the state, dynamics, and parameters of filtering algorithms in data assimilation through a process we refer to as auto-differentiable filtering. The framework leverages a theoretically motivated loss function that enables learning from partial, noisy observations via gradient-based optimization using auto-differentiation. We further demonstrate how several well-known data assimilation methods can be learned or tuned within this framework. To underscore the versatility of auto-differentiable filtering, we perform experiments on dynamical systems spanning multiple scientific domains, such as the Clohessy-Wiltshire equations from aerospace engineering, the Lorenz-96 system from atmospheric science, and the generalized Lotka-Volterra equations from systems biology. Finally, we provide guidelines for practitioners to customize our framework according to their observation model, accuracy requirements, and computational budget.

研究の動機と目的

• データ同化パイプラインのチューニング課題を、部分的でノイズのある観測から状態・ダイナミクス・フィルタリングパラメータを共同学習して解決することを動機づけ、取り組む。
• 既存のオート微分可能データ同化手法を統合・拡張する一般的で理論的に動機づけられたフレームワークを提供する。
• この枠組みの中で新しいアルゴリズム（AD-3DVar C、AD-Ens3DVar）を導入し、AD-EnKF を適用してフィルタリングパラメータの学習にも対応させる。
• 航空宇宙、気候科学、生物学からのさまざまなダイナミカルシステムで枠組みを実証する。
• 観測モデル、精度要件、計算資源に応じて枠組みを調整する際の実践的ガイドラインを提供する。

提案手法

• 3DVar、EnKF、Ens3DVarを特別なケースとして包含する一般的なフィルタリング形を提案し、予測モデル M とカルマンゲイン K を学習可能なパラメータで表現する。
• ブロックごとの観測予測のガウス尤度近似に基づく損失関数を定義し、オート微分を介した勾配ベース学習によりパラメータ を学習可能にする。
• AD-3DVar-C（静的予測誤差共分散を学習）やAD-Ens3DVar（静的共分散とエンサンブル共分散をブレンドするハイブリッド共分散学習）など、オート微分可能な派生を導出・詳述する。
• AD-EnKF を拡張し、共分散膨張や他のフィルタリングパラメータの学習を含める。
• 時系列全体のオフライン勾配ベース学習を安定化させるための TBPTT に着想を得た訓練手順を実装する。
• オート微分可能な枠組み内で、エン ensemble に基づくフィルタリングとエンセット不要のフィルタリングの両方の計算資源・メモリ要件を論じる。

(a) Parameter estimation error across choices of error level $\sigma_{0}^{2}$ in the initialized models, where $H=I_{3\times 6}$ and $R=0.1I_{3\times 3}$ .

実験結果

リサーチクエスチョン

• RQ1 単一の統一されたオート微分可能フィルタリング枠組みが、部分的でノイズのある観測から状態軌道と基礎となるダイナミクスおよびフィルタリングパラメータの両方を学習できるか。
• RQ2 特定のインスタンス（3DVar-C、EnKF、Ens3DVar）はこの枠組みの中でどのように一般化され、時間変化する観測モデルと計算予算の下での利点は何か。
• RQ3 学習された予測と分析パラメータが、精度・スケーラビリティ・効率にどのような影響を与えるか。
• RQ4 この枠組みから派生した新しいアルゴリズム（例：AD-3DVar-C、AD-Ens3DVar）は、さまざまな適用領域で従来手法を上回ることができるか。
• RQ5 観測モデルと資源制約を踏まえた、モデル選択・損失・訓練戦略に関する実務者向けガイドラインをどのように提供できるか。

主な発見

• この枠組みは、理論的に動機づけられた尤度ベースの損失を用いて、状態・ダイナミクス・フィルタリングパラメータをオート微分で共同学習することを可能にする。
• 枠組み内の新しいアルゴリズムには AD-3DVar-C および AD-Ens3DVar が含まれ、時間変化する観測や資源制約に対応するよう拡張する。
• このアプローチは AD-EnKF や AD-3DVar-K などの既存手法を一般化し、異なるフィルタリング体系間の共学習への一貫した道筋を提供する。
• Clohessy-Wiltshire、Lorenz-96、一般化 Lotka-Volterra 系を対象とした実験は、航空宇宙、気候科学、生物系統生物学の多様性へ適用可能性を示す。
• 本論文は、観測モデル、精度要件、計算資本に応じて枠組みを実務者が調整するための実践的ガイドラインを提供する。

(b) Parameter estimation error across observation error variance, where $H=I_{3\times 6}$ and $\sigma_{0}^{2}=0.03$ .