[论文解读] Prediction of Extreme Events in Multiscale Simulations of Geophysical Turbulence using Reinforcement Learning

Yifei Guan, Lucas Amoudruz+5 more|arXiv (Cornell University)|Feb 26, 2026

Meteorological Phenomena and Simulations被引用 0

一句话总结

该论文提出基于 SMARL 的框架，学习地球物理湍流子网格尺度闭合，利用涡度谱作为奖励，使稳定的大涡模拟（LES）在训练样本数量级降低的情况下再现极端事件统计。

ABSTRACT

Accurate subgrid-scale closures are essential for weather/climate models, where predicting extreme events is critical. Traditional closures have structural errors, e.g., producing excessive diffusion that dampens extremes. Artificial intelligence has gained attention for closure modeling, but the prediction of extreme events remains challenging. Supervised offline learning needs abundant high-fidelity training data and can lead to instabilities. Online learning algorithms are emerging as an alternative, but reliance on differentiable numerical solvers or scalable optimizers hinders broad use. Here, we introduce SMARL to develop closures for canonical prototypes of atmospheric/oceanic turbulence, using only the enstrophy spectrum, estimated from a few high-fidelity samples, as reward. This reward ensures that the model captures the cascades of scales in these simulations. These online-learned closures enable stable simulations, with up to five orders of magnitude fewer degrees of freedom, that reproduce high-fidelity simulation statistics and capture in particular extremes. We interpret the closures by analyzing the SMARL policy and demonstrate generalization to other flows. The results highlight SMARL as a potent tool for developing closures capable of capturing extremes in atmospheric/oceanic flows, opening new capabilities for effective climate modeling.

研究动机与目标

• 以可承受的计算成本推动天气/气候模型对极端事件的准确预测。
• 发展在线、数据高效的 LES 闭合，减少对高保真数据的依赖。
• 提出 SMARL 框架以学习地球物理湍流的 Leith 型闭合。
• 在多个案例和雷诺数下展示学习闭合的 LES 的稳定性与准确性。

提出的方法

• 使用 SMARL 将动态 Leith 闭合系数 c_l 作为对对 LES 截止尺度的涡度谱 hatZ(k,t) 的函数来学习。
• 在 LES 网格上分布 n_Ax × n_Ay 个智能体，通过一个共享策略输出 c_l。
• 将状态定义为对 k_c 的涡度谱 hatZ_LES，动作为局部的 c_l，并插值到网格处。
• 在智能体与低分辨率 LES 求解器之间进行在线交互训练，不需要可微求解器。
• 优化奖励 r(t)，与 1 / ||log(hatZ DNS) - log(hatZ LES)|| 成正比，引导光谱匹配。
• 通过与 DNS 及传统 SGS 模型比较 动能谱和涡度 PDF 来评估。

实验结果

研究问题

• RQ1 SMARL 能否为地球物理湍流学习 SGS 闭合，使用极少量高保真样本再现 DNS 统计？
• RQ2 SMARL 闭合是否捕捉扩散与反散射以准确表示跨尺度转移？
• RQ3 学习到的闭合是否对更高的雷诺数和不同流态具有鲁棒性和泛化能力？
• RQ4 与动态 Leith 和 Smagorinsky 闭合相比，在极端事件统计方面 SMARL 闭合有何差异？

主要发现

• RL-Leith 闭合在匹配 DNS 涡度 PDF 方面优于 DSmag 和 DLeith，包括代表极端事件的尾部。
• RL-Leith 更好再现跨尺度涡度转移，表明反向散射改善且扩散过大被抑制。
• 学习得到的 c_l 分布覆盖更宽的取值范围并包含负值，能够同时建模扩散和反散射。
• Sobol 分析显示低波数涡度和接近截止波数 k_c 的涡度影响闭合的程度最高，与物理传输区域一致。
• 在较低雷诺数下训练的 SMARL 闭合可推广到高出 15 倍的雷诺数情形，仍保留比基线更优的光谱和尾部 PDF。