Migliorare i filtri d’ensemble con il flow matching

Abstract degli autori

L’assimilazione dei dati stima uno stato dinamico a partire da osservazioni parziali e rumorose. I filtri d’ensemble classici sono efficienti, ma limitano gli aggiornamenti di analisi tramite una covarianza campionaria finita e una distribuzione gaussiana affine. Introduciamo il Flow Ensemble Filter (FlowEF), che usa il conditional flow matching per trasformare l’ensemble di previsione prodotto da un filtro di riferimento classico in un ensemble di analisi. Durante l’addestramento, FlowEF usa una sorgente gaussiana localizzata; in fase di impiego, trasforma i membri dell’ensemble di previsione generati da un filtro di riferimento e condiziona il proprio campo di velocità sugli ensemble prodotti da quel filtro e sull’osservazione. Il modello proposto apprende quindi un aggiornamento non lineare, trasformando in modo indipendente ciascun ensemble di riferimento. Nei sistemi dinamici osservati in modo sparso, FlowEF migliora le metriche sia deterministiche sia probabilistiche rispetto a tutti e quattro i filtri d’ensemble classici. Ottiene inoltre le prestazioni migliori tra i modelli di assimilazione dei dati generativi all’avanguardia.