Naukowcy z dziedzimy machine learning'u opracowali nową metodę asymilacji danych fizycznych o nazwie PR-Smoother, która rozwiązuje problem reprezentacji złożonych rozkładów posteriorowych w wielkoskalowych symulatorach. Metoda jest zaprojektowana tak, aby pracować z istniejącymi modelami fizycznymi bez konieczności ich zastępowania, a jedynie nauczając się korekt do przewidywań na podstawie rzeczywistych obserwacji.
Kluczową innowacją PR-Smoothera jest podejście do struktury wariacyjnej - zamiast uczyć się nowych dynamik lub wcześniejszych rozkładów trajektorii, algorytm uczy się tylko przyszłościowo uwarunkowanych korekt wokół oryginalnych przewidywań symulatora. To pozwala na jawny rozkład non-Gaussowski nad trajektoriami fizycznymi i wspiera jednoczesne uczenie się stanu, parametrów oraz błędów sensorów wyłącznie z obserwacji. Domknięcie zmiennych z Evidence Lower Bound jawnie zawiera zarówno symulator jak i rodzinę wariacyjną.
W testach empirycznych metoda wykazała zdolność do reprezentacji rozkładów wielomodalnych w 4-wymiarowym modelu Lorenza-96, pozostała dokładna w warunkach niejasnych obserwacji nieliniowych i szumu w 40-wymiarowym Lorenza-96, oraz skaluje się do wspólnego wnioskowania stanu-parametrów-błędu w 16384-wymiarowym przepływie Kołmogorowa. To sugeruje potencjał dla rzeczywistych zastosowań w dynamice płynów i innych systemach fizycznych.