Naukowcy z dziedziny komputacyjnej reprezentacji danych zaproponowali innowacyjne podejście do problemu "domykania" w modelach zmniejszonego rzędu (ROM). Chodzi o to, że uproszczone modele matematyczne traciły ważne efekty ze skali mikro na skutek obcinania danych - problem, który od dawna utrudniał dokładność symulacji. Zespół zdecydował się sformułować to jako problem uczenia wielofidelity (MF) i zaproponował nowe rozwiązanie oparte na warunkowych przepływach normalnych (conditional normalizing flows).
Rdzeniem metody jest probabilistyczne mapowanie z niskiej wierności (LF) do wysokiej wierności (HF) współczynników. Zespół przetestował dwie strategie: bezpośrednią (przewiduje wysoko-wierny wynik z nisko-wiernych danych) i opartą na residuum (uczy się różnicy między wersjami i wykorzystuje ją do korekcji). W eksperymentach na dwuwymiarowych równaniach Naviera-Stokesa (symulacja wichur) metoda oparta na residuum wykazała konsekwentnie lepsze wyniki. Ważne jest, że framework jednocześnie oszacowuje niepewność towarzyszącą przewidywaniom, co daje naukowcom lepszy wgląd w wiarygodność wyników.
To rozwiązanie ma potencjał do przyspieszenia zaawansowanych symulacji fizycznych w inżynierii, meteorologii i badaniach klimatycznych - dziedzinach, gdzie precyzyjne modele są zbyt kosztowne obliczeniowo. Możliwość kwantyfikacji niepewności to dodatkowa wartość, pozwalająca naukowcom na bardziej rozsądne interpretowanie wyników symulacji.