Este preprint del ECMWF hace algo bastante concreto: integra una red neuronal en el modelo de predicción IFS y usa 4D-Var para aprender en línea correcciones de los errores del modelo dentro del ciclo de asimilación de datos. El entrenamiento secuencial con una sola ventana redujo el error más de un 10 % durante el periodo de entrenamiento, pero no funcionó con datos no vistos. Al pasar al procesamiento por lotes, ejecutar ventanas de asimilación en orden aleatorio y promediar los incrementos de los parámetros, las habilidades de predicción fuera de muestra mejoraron de forma estable. En esencia, se trata el aprendizaje en línea como una optimización estocástica por minilotes: cuanto mayor es el lote, más rápida es la convergencia y menor el ruido de las actualizaciones.

$BTC