Les auteurs introduisent l'assimilation de données implicite, définissant la loi d'analyse comme une inclinaison énergétique de la distribution de prévision pour gérer les mécanismes d'observation qui sont many-to-one, implicites ou non lisses. Ils proposent le Filtre à flot contrôlé par ensemble (EnCF), qui réalise cette mise à jour via un flot contrôlé stochastique et apprend le contrôle dépendant des observations par appariement adjoint à partir des gradients d'énergie terminaux.
- EnCF-LF apprend une énergie conditionnelle substitut à partir d'échantillons pour les observations définies par le simulateur.
- L'article prouve l'exactitude idéale, décompose l'erreur en une étape et établit la non-accumulation des erreurs locales sous la stabilité du filtre.
- Les résultats numériques indiquent que bien que les filtres de type Kalman restent préférables pour les observations gaussiennes additives lisses, EnCF est mieux adapté aux modèles d'observation non gaussiens, many-to-one, multimodaux et implicites.
Cette approche fournit une alternative viable pour les scénarios d'assimilation de données où les filtres par ensemble existants échouent en raison du manque de structures résiduelles ou de guidage par vraisemblance.