著者らは、観測メカニズムが多対一、暗黙的、または非滑らかな場合に対応するため、解析法を予測分布のエネルギー傾きとして定義する暗黙的データ同化を導入する。彼らは、この更新を確率的制御フローによって実現し、終端エネルギー勾配からの随伴マッチングにより観測依存制御を学習するアンサンブル制御フローフィルタ (EnCF) を提案する。

  • EnCF-LF は、シミュレータ定義の観測データからサンプルを用いて代理条件エネルギーを学習する。
  • 本論文は理想的な完全性を証明し、1ステップ誤差分解を導出し、フィルタ安定性の下での局所誤差の非蓄積を示す。
  • 数値結果は、カルマン型フィルタが滑らかな加法ガウス観測に対して依然として好ましい一方で、EnCF は非ガウス、多対一、多峰性、および暗黙的観測モデルにより適していることを示唆する。

このアプローチは、残差構造や尤度ガイダンスの欠如のために既存のアンサンブルフィルタが失敗するデータ同化シナリオにおいて、実行可能な代替手段を提供する。