Il problema: un solo parametro non basta
Un singolo parametro di calibrazione può non riuscire a riprodurre una risposta fisica lungo tutto il dominio di contesto a causa della discrepanza di modello. È il punto di partenza del lavoro pubblicato su arXiv, che affronta anche il peso delle incertezze nelle osservazioni e nei contesti, da contabilizzare e quantificare. La proposta non è un parametro unico, ma una famiglia di posteriors localizzati, costruiti pesando le verosimiglianze delle osservazioni in base alla loro vicinanza a un contesto obiettivo.
Come funziona la localizzazione
I pesi di localizzazione gaussiani incorporano l'incertezza del contesto tramite gonfiaggio della covarianza, con riflessione ai confini del dominio e una correzione opzionale per il campionamento non uniforme del contesto. Un normalizing flow condizionale approssima questa famiglia di posteriors attraverso inferenza variazionale amortizzata. Integrando i posteriors localizzati sotto una misura di contesto prescritta si ottiene la distribuzione marginalizzata dei parametri.
Nel primo esperimento gemello, basato sul modello Branin-Hoo, gli autori confrontano inferenza globale e localizzata con distribuzioni di contesto uniformi e asimmetriche. Secondo il testo, la localizzazione riduce gli errori predittivi aggregati riportati rispetto al posteriore globale.
Applicazione alla turbolenza oceanica
Il secondo esperimento riguarda la chiusura turbolenta k-epsilon in un modello oceanico a colonna singola, con il forcing atmosferico di superficie usato come contesto. In questo caso la calibrazione con posteriore localizzato riduce gli errori di temperatura e di velocità zonale rispetto sia alla calibrazione deterministica sia a quella con posteriore globale. Il materiale precisa che entrambi gli esperimenti gemelli sono costruiti per ammettere compensazione locale.
La rilevanza dichiarata sta nel trattamento congiunto di discrepanza e incertezza: invece di cercare un compromesso valido ovunque, il metodo ammette che la calibrazione ottimale cambi con il contesto e ne quantifica l'effetto tramite una distribuzione marginale. Restano da verificare la generalità oltre i due casi studiati e il comportamento su domini di contesto più complessi, aspetti che il materiale fornito non chiarisce.
