Bilimsel gözlemlerin büyük çoğunluğu kusurludur: Ölçüm cihazları gürültü üretir, istasyonlar seyrek yerleştirilmiştir ve çoğu zaman gerçek referans veriye erişim mümkün değildir. Hava durumu tahmini, okyanus akıntılarının izlenmesi ya da tıbbi görüntüleme gibi alanlarda bu durum ciddi bir engel oluşturur. Araştırmacılar bu zorluğun üstesinden gelmek için NeuralDMD adlı yeni bir çerçeve geliştirdi.
NeuralDMD, iki güçlü yaklaşımı bir araya getiriyor: Sinir ağı tabanlı örtük gösterimler (neural implicit representations) ve Dinamik Mod Ayrışımı (DMD). İlk yöntem, uzayı sürekli bir matematiksel fonksiyon olarak modellerken, DMD bir sistemin zamanla nasıl evrildiğini doğrusal ve düşük boyutlu bir yapıyla özetlemeye yarıyor. Bu ikili kombinasyon, sistemin hem uzaysal hem de zamansal boyutunu tutarlı biçimde öğrenmesini sağlıyor.
Sistemin en çarpıcı özelliklerinden biri, eğitim için harici veri ya da fizik tabanlı simülatöre ihtiyaç duymaması. Her problem örneği için sıfırdan öğrenen bu 'eğitimsiz' yapı, veri kıtlığının kronik sorun olduğu gerçek dünya uygulamaları için özellikle değerli. Sistem, gözlemlenen ölçümlerden yola çıkarak hem geçmişteki durumu yeniden oluşturabiliyor hem de geleceğe dair tahmin üretebiliyor.
Yorumlanabilirlik meselesi de NeuralDMD'yi öne çıkaran bir diğer önemli faktör. Çoğu derin öğrenme modeli sonuçları neden ürettiğini açıklayamazken, bu sistem DMD modlarını ve spektral bilgiyi doğrudan araştırmacıya sunuyor. Bu sayede bir iklim bilimci dominant atmosfer örüntülerini, bir mühendis ise bir akışkanın baskın salınım frekanslarını kolayca yorumlayabiliyor.
Testler, NeuralDMD'nin hava durumu veri asimilasyonu başta olmak üzere çeşitli görevlerde mevcut yöntemleri geride bıraktığını gösteriyor. Seyrek istasyon ağlarından oluşturulan küresel hava haritaları, sistemin pratikteki gücünü somut biçimde ortaya koyuyor. Araştırmacılar çalışmayı arXiv'de yayımladı; iklim, oşinografi ve tıbbi görüntüleme topluluklarının ilgisini çekmesi bekleniyor.