A inteligência artificial é frequentemente descrita como o aprendizado de um modelo a partir de dados. Essa é uma família importante de abordagens, não uma definição universal de inteligência. Em meteorologia, oceanografia, sistemas de energia, processos industriais e muitos outros domínios físicos, já existem equações, leis de conservação, condições de contorno e décadas de conhecimento científico. O verdadeiro desafio é, muitas vezes, combinar esse conhecimento com observações esparsas, ruidosas e incompletas.
01 Uma previsão pode obedecer a todas as equações e ainda começar do mundo errado
Um modelo dinâmico descreve como um sistema evolui de um estado inicial. Escreva como dx/dt = F(x) com x(0) = x₀, onde o vetor de estado x(t) vive em ℝⁿ. Se esse estado inicial x₀ está errado, o modelo pode resolver suas equações perfeitamente e ainda assim produzir a trajetória errada. Em sistemas não lineares, como a atmosfera ou o oceano, pequenos erros no estado inicial crescem rapidamente — a propriedade definidora do caos determinístico e a razão pela qual uma previsão só é tão boa quanto sua inicialização.
As observações não resolvem o problema sozinhas. Satélites, boias, radares e sensores medem apenas variáveis selecionadas, em locais e instantes selecionados, com incerteza. O estado completo do modelo pode conter milhões de valores; o vetor de observação geralmente é muito menor. Recuperar o estado completo e fisicamente consistente desses fragmentos não é interpolação — é inferência sob uma restrição, onde a restrição é o próprio modelo.
As equações codificam a estrutura e a consistência física, mas o estado inicial e os parâmetros podem ser incertos.
As medições ancoram o modelo na realidade, mas não descrevem todas as variáveis ou todos os pontos no espaço e no tempo.
Infira a condição inicial, os parâmetros ou a trajetória ocultos que melhor explicam a evidência, respeitando o modelo.
Este é o território dos problemas inversos, e vale a pena ser formal a respeito, porque o curso o é. A modelagem matemática descreve um sistema por meio de equações — normalmente equações diferenciais ordinárias ou parciais — que envolvem parâmetros, condições iniciais e condições de contorno. Resolvê-las na direção natural é o problema direto (ou para frente): dadas as entradas e os parâmetros, calcula-se a saída. Escrevendo um modelo como um mapa M : (x, p) ↦ y das entradas x e dos parâmetros p para a saída y, o problema inverso consiste em executar esse mapa de trás para frente: dado o conhecimento parcial de y, recuperar x e/ou p. Os problemas inversos surgem precisamente quando um sistema é apenas parcialmente conhecido, mas pode ser observado, e se deseja recuperar características que não são diretamente mensuráveis.
As aplicações estão em toda parte para onde o curso aponta: imagens médicas (tomografia por raios X e ultrassom, elastografia), análise de imagens (remoção de desfoque, remoção de ruído, inpainting, restauração), geociências (tomografia sísmica, imagens radioastronômicas e assimilação de dados para previsão do tempo), processamento de sinais (deconvolução) e engenharia mecânica (detecção de trincas e outros ensaios não destrutivos). E há uma ponte para o aprendizado de máquina que o curso estabelece explicitamente: o ajuste de modelo e a identificação de parâmetros são problemas inversos. A regressão linear multivariada — recuperar a matriz de coeficientes A em y = Ax a partir de pares observados, no sentido dos mínimos quadrados — é o mais simples deles. O mesmo enquadramento abrange o treinamento de redes neurais e a estimativa de parâmetros em modelos ODE e PDE, incluindo a calibração de gêmeos digitais.
Por que problemas inversos são difíceis: Hadamard e a instabilidade de executar um modelo de trás para frente
Em 1902, Jacques Hadamard introduziu a noção de problema bem-posto. Um problema é bem-posto quando três propriedades se verificam: uma solução existe, a solução é única e a solução depende continuamente dos dados. Se qualquer uma das três falhar, o problema é mal-posto.
Existência e unicidade são pré-requisitos intuitivos — sem unicidade, até mesmo dados perfeitos podem não determinar o que se deseja recuperar. A terceira condição, a estabilidade, é a sutil e decisiva. Ela afirma que uma pequena mudança nos dados — normalmente o erro de medição — deve produzir apenas uma pequena mudança na solução reconstruída. Os problemas diretos costumam ser estáveis; os problemas inversos, por frequentemente irem contra a irreversibilidade ou a causalidade, muitas vezes não o são. O caráter mal-posto é a regra, não a exceção.
O curso concretiza isso com o exemplo mais claro possível: a diferenciação. Diferenciar é o inverso de integrar, e é instável. Tome uma função suave f e perturbe-a com uma pequena oscilação de alta frequência, f_δ,n(x) = f(x) + δ·sin(nx). A perturbação da função tem amplitude δ, que se pode tornar tão pequena quanto se queira. Mas a perturbação de sua derivada tem amplitude δ·n, que cresce sem limite à medida que a frequência n aumenta. Um erro arbitrariamente pequeno nos dados produz um erro arbitrariamente grande na resposta. A identificação de parâmetros em uma equação diferencial se comporta da mesma forma: na equação do calor unidimensional −d/dx(a(x)·du/dx) = f, recuperar a condutividade desconhecida a a partir de medições de temperatura é simples de escrever e, ainda assim, mal-posto sempre que o gradiente de temperatura se anula — ali, nenhuma solução existe.
A consequência prática é a regularização: acrescentam-se informações a priori para restaurar a estabilidade, trocando um pouco de fidelidade aos dados ruidosos por uma solução que não explode. Isso não é um truque acoplado ao final; é uma decisão de modelagem sobre aquilo em que se acredita antes de olhar. Manter essa ideia — a de que a escolha do prior é uma suposição deliberada e inspecionável — é a maior parte do que separa uma reconstrução defensável de um artefato de aparência convincente.
02 Assimilação de dados: faça o modelo ouvir sem fazer com que ele esqueça
A assimilação de dados é o campo matemático na interface entre o modelo e a observação. Ela não pede que os dados substituam o modelo, nem que o modelo ignore os dados. Ela busca o estado que torne os dois tão compatíveis quanto possível — uma negociação controlada em que o modelo contribui com a dinâmica (quais evoluções são fisicamente possíveis), as observações contribuem com a correção (onde a trajetória simulada se afasta da realidade), e um conjunto de suposições estatísticas decide com que intensidade se deve confiar em cada fonte.
O curso ensina o campo como ele de fato existe: não um único algoritmo, mas uma pequena família de classes de métodos, cada uma com um compromisso diferente entre otimalidade, suposições e custo.
Um pequeno laboratório de assimilação
Esta ilustração deliberadamente simples combina a trajetória de um modelo com observações. A análise em verde-azulado se move à medida que muda a confiança presumida nas observações. A assimilação de dados real usa estruturas de covariância mais ricas, restrições dinâmicas e otimização.
- Métodos variacionais tratam a assimilação como a minimização de uma função de custo. O 3D-Var encontra a melhor estimativa de estado em um único instante; o 4D-Var encontra a melhor estimativa de estado ao longo de toda uma janela de assimilação e é formulado por meio da teoria do controle ótimo. (o 3D-Var foi o método operacional na Météo-France até 2000 — um lembrete útil de que o “estado da arte” tem uma data.)
- Métodos sequenciais alternam uma etapa de previsão com uma etapa de correção estatística. A interpolação ótima é fácil de implementar, mas fisicamente incoerente; o filtro de Kalman é a teoria da estimativa estatística ótima; variantes de conjunto e de ordem reduzida (o EnKF, o filtro SEEK) existem justamente porque o filtro completo não escala — mais sobre isso adiante.
- Métodos de nudging adicionam um termo de realimentação às equações do modelo, puxando continuamente o estado simulado em direção às observações. Eles são, na linguagem da teoria de controle, observadores — e é aí que Blum e Auroux deram sua própria contribuição, o assunto do §05.
O enquadramento honesto, do início ao fim, é o mesmo em que o curso insiste: um estado reconstruído é tão bom quanto a evidência e o mecanismo por trás dele. Construída de forma descuidada, a assimilação disfarça suposições em conclusões. Bem construída, é uma forma de raciocinar com rigor sobre um sistema que não se pode observar por completo.
03 A otimização é a ponte — e é aqui que o currículo converge
A assimilação variacional de dados transforma a reconstrução em um problema de otimização, e esse é o ponto exato em que o curso de otimização da escola deixa de ser um pré-requisito a ser preenchido e se torna o motor do método. A função de custo 4D-Var, na notação que o curso usa, é
Os detalhes matemáticos determinam como os erros são ponderados e como a incerteza se propaga. A ideia central é uma busca restrita pela trajetória mais consistente com as equações e as medidas.
Simule o sistema a partir da estimativa atual do estado inicial.
Determine como a alteração das incógnitas altera a incompatibilidade.
Atualize a estimativa, execute novamente e continue até que uma solução aceitável seja alcançada.
As incógnitas são o estado inicial x₀ e os parâmetros do modelo u. O primeiro termo mantém a solução próxima de uma estimativa a priori x_b (o background), ponderada pelo inverso da covariância do erro de background B. O segundo termo penaliza a diferença entre a trajetória do modelo e as observações em cada instante tᵢ, ponderada pelo inverso da covariância do erro de observação Rᵢ, com o operador de observação Hᵢ mapeando o estado do modelo no espaço de observação. Minimizar J sujeito ao modelo dx/dt = F(x, u) é exatamente um problema de controle ótimo: encontrar a condição inicial e os parâmetros que produzem a trajetória mais consistente tanto com as equações quanto com as medições.
Tudo o que o curso de Continuous Optimisation constrói é necessário aqui. A função de custo é um objetivo de valor real sobre um espaço de alta dimensão; o modelo é uma restrição; as normas ponderadas pela covariância são formas quadráticas; a convexidade (ou sua ausência) decide se um mínimo é global; e o minimizador é encontrado não por um inverso em forma fechada, mas por um método de gradiente iterativo. Em um único instante, o 3D-Var admite até a solução explícita x* = [B⁻¹ + HᵀR⁻¹H]⁻¹(B⁻¹x_b + HᵀR⁻¹x_obs) — e o curso tem o cuidado de apontar por que essa fórmula é inútil na prática: as matrizes são grandes demais para serem invertidas, de modo que se avalia J e seu gradiente e, em vez disso, os entrega a um algoritmo de otimização.
Isso levanta a questão em torno da qual gira todo o método: como obter o gradiente de J em relação a um vetor de controle que pode ter dezenas de milhões de componentes? As diferenças finitas exigiriam uma execução do modelo por componente — algo totalmente impossível. A resposta é o método adjunto: execute o modelo direto uma vez e, em seguida, integre um modelo adjunto para trás ao longo da janela, captando um termo forçante em cada instante de observação, e leia o gradiente completo a partir da solução adjunta. O custo é uma resolução direta mais uma resolução inversa, independentemente da dimensão do vetor de controle. Esse único fato é o que torna viável a assimilação variacional em grande escala.
O curso não esconde o quanto isso é exigente, e vale a pena destacar dois de seus avisos, porque são exatamente o tipo de detalhe que separa um sistema em funcionamento de um plausível:
- O adjunto do modelo discretizado não é a discretização do adjunto contínuo. Derivar as equações adjuntas no papel e depois discretizá-las produz o gradiente errado; a via correta é diferenciar diretamente o modelo discreto (na prática, por meio de diferenciação automática — tangente linear para a derivada direta, adjunto para a reversa). “Diferenciar, depois discretizar” e “discretizar, depois diferenciar” não comutam, e inverter essa ordem é uma fonte de erro clássica e silenciosa.
- Para um modelo não linear,
Jem geral não é convexo. Ele pode ter vários mínimos locais, de modo que o resultado depende de onde a otimização começa, e um termo de regularização —α‖x₀ − x₀_background‖² + β‖u − u_background‖²— é acrescentado para domar o problema. Coeficientes grandes penalizam; coeficientes pequenos regularizam; a escolha é, mais uma vez, uma decisão de modelagem e não um padrão.
Há ainda mais uma disciplina que os laboratórios tornam inegociável, e é o mesmo ceticismo que a teoria dos problemas inversos exige: antes de confiar em um gradiente adjunto, verifique-o numericamente. Compare o gradiente que o adjunto produz com uma derivada direcional por diferenças finitas em uma direção aleatória. Se os dois não coincidirem, o adjunto tem um bug — e um 4D-Var construído sobre um gradiente errado minimizará a coisa errada, parecendo inteiramente saudável.
04 Back and Forth Nudging: correção sem adjunto
Jacques Blum e Didier Auroux introduziram o algoritmo Back and Forth Nudging (BFN) em 2005. O nudging convencional acrescenta às equações do modelo um termo de realimentação — um observador de Luenberger assintótico, na linguagem da teoria de controle — que aproxima o estado simulado das observações à medida que o modelo evolui. A decisão de Blum e Auroux foi aplicar essa correção tanto para a frente quanto para trás na mesma janela de assimilação:
Comece com a estimativa atual e integre o modelo físico enquanto ajusta sua trajetória em direção às observações.
Use o estado final corrigido para se integrar novamente pela mesma janela, com um termo de feedback do sinal apropriado.
O estado recuperado no início da janela se torna a próxima estimativa inicial. Itere até que a trajetória reconstruída se estabilize.
O primeiro artigo provou a convergência para um sistema linear de equações diferenciais ordinárias. Igualmente importante, tornou o método atraente na prática: a formulação central não requer linearização do modelo, nem construção de adjunto, nem laço de minimização separado — exatamente o maquinário que torna o 4D-Var pesado. Trabalhos posteriores desenvolveram a teoria e testaram a abordagem em sistemas de Lorenz, equações de transporte, modelos de águas rasas e modelos oceânicos completos.
| Família de métodos | Mecanismo central | Força | Desafio de engenharia |
|---|---|---|---|
| 4D-Var | Minimize um custo em uma janela de tempo. | Formulação variacional globalmente estruturada; assimila uma janela inteira de uma só vez. | O desenvolvimento adjunto e as integrações repetidas de modelos são exigentes; B é difícil de estimar. |
| Kalman / filtros de conjunto | Alterna previsão e correção estatística. | Tratamento explícito da incerteza em evolução. | A propagação da covariância ou grandes conjuntos são dispendiosos; a não linearidade força a aproximação. |
| BFN / DBFN | Alterna observadores para frente e para trás. | Realimentação direta, implementação comparativamente leve, convergência rápida nos cenários estudados; sem adjunto. | A estabilidade da integração para trás, a seleção do ganho e a adequação do modelo ainda exigem cuidado matemático. |
A extensão Diffusive Back and Forth Nudging (DBFN) foi concebida para modelos difusivos, nos quais a integração ingênua para trás é instável. Em experimentos com um modelo bidimensional de águas rasas e um modelo oceânico tridimensional de equações primitivas, ela estabilizou o passo para trás e reduziu o impacto de observações ruidosas. Esse é um resultado de pesquisa em cenários específicos — não uma afirmação de que um algoritmo substitui todos os demais métodos. A posição madura, que o curso enuncia com clareza, é que os métodos são escolhidos de acordo com a estrutura do modelo, o sistema de observação, a incerteza e o orçamento computacional. “Usar IA” ainda não é uma especificação de método.
05 Duas vidas de pesquisa, uma cultura de matemática aplicada
A colaboração é poderosa porque está inserida em carreiras muito mais amplas. A mesma linguagem matemática — equações diferenciais parciais, controle, otimização, análise numérica e problemas inversos — viaja da física do plasma à circulação oceânica, processamento de imagens, previsão do tempo e modelagem industrial.
Prof. Jacques Blum
Prof. Jacques Blum — análise numérica, controle e assimilação de dados. Formado pela École Normale Supérieure e doutorado sob a orientação de Jacques-Louis Lions, Jacques Blum construiu, entre pesquisas e cátedras do CNRS em Grenoble, na École Polytechnique e em Nice, uma carreira dedicada à simulação, à identificação e ao controle ótimo de sistemas físicos regidos por equações diferenciais parciais.
Seu trabalho abrange o equilíbrio do plasma tokamak, a reconstrução em tempo real, a circulação oceânica e a assimilação de dados. Na DSTI, ele é membro do Conselho Consultivo Científico e ajudou a moldar a abordagem da escola ao suporte matemático em todo o corpo discente. As distinções incluem a Medalha de Bronze do CNRS (1984), o Prix Blaise-Pascal (1990), o prêmio Seymour Cray (1998) e o Grand Prix de la Ville de Nice (2017).
Prof. Didier Auroux
Prof. Didier Auroux — Diretor da Maison de la Modélisation, de la Simulation et des Interactions. Didier Auroux se formou na École Normale Supérieure de Lyon e concluiu seu doutorado sob a orientação de Jacques Blum — Étude de différentes méthodes d'assimilation de données pour l'environnement (2003) — seguido por uma habilitação em algoritmos rápidos para processamento de imagens e assimilação de dados.
Sua pesquisa reúne geofísica, observadores, controle ótimo, problemas inversos, análise numérica e computação científica. Atualmente, ele dirige a Maison de la Modélisation, de la Simulation et des Interactions da Université Côte d'Azur, uma estrutura que apoia a pesquisa por meio de modelagem, simulação, computação de alto desempenho e ciência de dados.
Ambos se dedicam ao ensino de todo o corpo discente, inclusive de estudantes ainda distantes de seu próprio nível de pesquisa. Jacques propôs a criação das Support Sessions da DSTI, no espírito das aulas de exercícios adotadas pelas principais universidades; Didier conduz regularmente sessões de apoio nos módulos de forte carga matemática. A confiança matemática não se cria rebaixando o teto intelectual; ela se cria construindo um caminho confiável em sua direção — que é, no fim das contas, o que a cadeia de disciplinas do §06 é.
06 A cadeia de ensino: da matemática aplicada à assimilação de dados
O que torna a versão DSTI disso distinta não é que dois matemáticos eminentes apareçam em uma lista de professores. É que as mesmas duas pessoas ensinam uma sequência conectada de cursos, cada um deles um pré-requisito genuíno para o próximo, que leva o estudante do gradiente de uma função de uma variável até um 4D-Var funcional. Jacques Blum e Didier Auroux ministram os três cursos em conjunto, alternando os dias de ensino entre eles, para que uma coorte veja os dois professores em toda a cadeia, em vez de conhecer um por disciplina. O destino é difícil; a rota é construída deliberadamente.
Warm Up — Fundamentals of Mathematics. Todo MSc em dados da DSTI começa com um Warm Up que estabelece os fundamentos matemáticos, trabalhando com turmas cuja preparação prévia varia muito. Esta é a etapa de nivelamento antes de qualquer coisa especializada.
Applied Mathematics for Data Science. Em todos os programas de MSc em dados, este curso fornece a matemática de trabalho que tudo o que vem depois pressupõe: diferenciação em uma e em várias variáveis, o gradiente, a expansão de Taylor; álgebra linear passando por vetores e matrizes, sistemas lineares, diagonalização, autovalores e autovetores, e formas quadráticas; e números complexos. O programa é franco quanto às suas ferramentas — “caneta, papel e cérebro; R ou Python para verificar os cálculos.” Não são tópicos arbitrários: o gradiente reaparece como o objeto que um otimizador segue, a decomposição em autovalores está por trás da estrutura de covariância, e as formas quadráticas são o formato de toda função de custo no §04.
Continuous Optimisation. Esta é a articulação de toda a sequência. O curso desenvolve funções de custo e restrições (de igualdade, de desigualdade e restrições dadas por uma equação diferencial); diferenciabilidade de Fréchet e de Gâteaux; convexidade; condições de otimalidade de primeira e de segunda ordem; a existência e a unicidade de um mínimo — incluindo o material genuinamente avançado da minimização em espaços de Hilbert, convergência fraca e semicontinuidade inferior; multiplicadores de Lagrange e dualidade; o teorema de Kuhn–Tucker (KKT) e os pontos de sela; e, então, os algoritmos que fazem o trabalho: descida de gradiente com passo fixo e ótimo, gradiente conjugado, gradiente projetado e o algoritmo de Uzawa. De modo revelador, o curso já formula os problemas inversos como otimização — entre seus exemplos resolvidos estão os mínimos quadrados (Av = b) e a identificação de um coeficiente desconhecido em −div(K∇u) = f minimizando J = Σ [u(xᵢ) − uᵢ]². A ponte para a assimilação de dados está embutida no próprio programa de otimização.
Jacques propôs a criação das Support Sessions da DSTI, no espírito das aulas de exercícios adotadas pelas universidades da Ivy League e pelas principais universidades da Califórnia. Didier conduz regularmente sessões de apoio nos módulos de forte carga matemática. O nível é alto, e os estudantes recebem ensino adicional estruturado para ajudá-los a alcançá-lo.
Inverse Problems & Data Assimilation. O campo de pesquisa entra diretamente no currículo. O curso abrange problemas bem-postos versus problemas mal-postos (Hadamard); métodos variacionais (controle ótimo, o lagrangiano, métodos adjuntos); métodos sequenciais (filtragem de Kalman); e nudging (observadores). Seus pré-requisitos declarados são exatos e sem sentimentalismo: “Maths, Continuous Optimisation & Python Labs,” apoiando-se também nos fundamentos de estatística e de aprendizado de máquina da escola. Os exemplos são a identificação de parâmetros e a calibração de modelos — o mesmo enquadramento de problema inverso do §01, agora em plena força.
Didier ensina Mathematics Harmonisation com a Dra. Christine Malot, ajudando os estudantes a estabelecer uma base matemática compartilhada antes de avançar para o trabalho quantitativo posterior. Explore o currículo.
Jacques ensina o componente de física, conectando a computação aos sistemas físicos, limites de energia e questões ambientais que ela afeta. Explore o currículo.
É no trabalho de laboratório que os métodos do artigo se tornam algo construído pelos próprios estudantes. Os laboratórios usam o sistema de Lorenz — modelo caótico canônico de baixa dimensão — em um projeto de experimento gêmeo: gera-se uma trajetória “verdadeira” conhecida, criam-se observações esparsas e ruidosas a partir dela (duas das três variáveis, a cada cem passos, com ruído adicional) e, então, parte-se de um estado de fundo deliberadamente incorreto para tentar recuperar a verdade. Nesse banco de testes único e transparente, os estudantes implementam sucessivamente as três famílias de métodos:
- Nudging — para frente e depois para trás, ou seja, o próprio BFN, codificado diretamente;
- 4D-Var — a função de custo, o modelo adjunto para o seu gradiente e a verificação de gradiente numérica antes de confiar nele;
- Kalman — o filtro linear e, em seguida, o filtro de Kalman estendido, que expõe exatamente o que quebra quando um modelo não linear é forçado a passar por uma correção linearizada.
O experimento gêmeo é, em si, uma lição de validação: como a verdade é conhecida por construção, cada método pode ser confrontado com ela — e é por isso que é o lugar certo para aprender, e também por que é mais fácil do que a realidade operacional, onde a verdade é exatamente o que está faltando. Essa lacuna entre um brinquedo de diagnóstico e o sistema real é nomeada, não encoberta.
Uma nota sobre as pessoas por trás da cadeia, porque se trata de uma verdadeira linhagem intelectual, e não de um enfeite. Jacques Blum concluiu seu doutorado sob a orientação de Jacques-Louis Lions, cuja teoria de controle ótimo para sistemas governados por equações diferenciais parciais é a base matemática sobre a qual o 4D-Var se assenta. Didier Auroux, por sua vez, concluiu seu doutorado sob a orientação de Jacques Blum — Étude de différentes méthodes d'assimilation de données pour l'environnement , defendido em 2003. O maquinário de controle ótimo ensinado no curso de assimilação de dados é, em sentido direto, a tradição que os dois herdaram e ampliaram — e o algoritmo Back and Forth Nudging nasceu dessa mesma colaboração. A cadeia de ensino, Lions → Blum → Auroux, recapitula uma cadeia de pesquisa.
A cadeia descrita aqui é a espinha dorsal dos MSc de dados, mas não é toda a atividade docente dos dois professores. Na graduação, Didier Auroux também leciona Mathematics Harmonisation no BSc Computer Science & Engineering, com a Dra. Christine Malot, ajudando os estudantes a construir uma base matemática comum antes do trabalho quantitativo posterior; e Jacques Blum leciona a física da trilha Energy – Climate – Sustainable IT do BSc, abordada separadamente em A TI eficiente começa antes do código .
07 O problema da escala e por que a estrutura ganha seu lugar
Seria fácil confundir tudo isso com teoria elegante. O curso é enfático ao afirmar que não é, e a razão é a escala. Para a atmosfera e os oceanos, uma grade realista tem da ordem de cinquenta níveis verticais e várias centenas de pontos em cada direção horizontal — bem mais de dez milhões de pontos de grade — com diversas variáveis físicas (componentes da velocidade, pressão, temperatura, umidade ou salinidade, concentrações químicas) em cada um. O vetor de controle de um 4D-Var pode, portanto, chegar a 10⁷ a 10⁹ componentes; o número de observações é de 10⁵–10⁶; as matrizes de covariância têm, nominalmente, tamanho n × n, ou seja, astronomicamente grandes; e um centro operacional de previsão precisa produzir uma análise em três a seis horas. Estimar a covariância do erro de background B já é, por si só, um problema de pesquisa, e a previsão é sensível a essa escolha.
Essa é a realidade de engenharia por trás da matemática, e é reconhecidamente o território da DSTI — o ponto em que a memória, o custo computacional e um rígido orçamento de tempo decidem qual método é admissível. É também por isso que representar a estrutura conhecida não é uma preferência estilística, mas uma questão de eficiência: um método menor e estruturado pode significar menos movimentação de dados, menos treinamento, maior consistência física e uma explicação mais clara das falhas do que um aprendiz genérico maior. A disciplina está em manter a fronteira inspecionável — em saber qual parte do sistema está sendo imposta pela física e qual parte está sendo aprendida a partir dos dados.
Não force o aluno a redescobrir o que o domínio já sabe.
Quando existem leis físicas, restrições, taxonomias ou relações confiáveis, represente-as. Use o aprendizado baseado em dados para a incerteza residual, parâmetros desconhecidos, escalas não resolvidas e padrões que o modelo explícito não pode fornecer. A inteligência está na combinação.
Leis de conservação, equações diferenciais, restrições causais e conhecimento de domínio são informações. Descartá-los não é neutralidade; é uma decisão de design.
Os dados são inestimáveis quando os parâmetros são incertos, os modelos estão incompletos, os efeitos de subgrade não são resolvidos ou os padrões não podem ser especificados analiticamente.
O trabalho difícil é decidir como o erro do modelo, o erro de observação e os componentes aprendidos interagem — e validar o sistema resultante.
Assimilação de dados
Combine um modelo dinâmico com observações para que o estado reconstruído respeite as evidências e as leis que regem a evolução.
Web semântica
Represente entidades e relações conhecidas de forma explícita, em vez de pedir a cada sistema a jusante que as deduza repetidamente a partir de dados não estruturados.
Esse princípio ecoa em outras partes do currículo — no ensino de tecnologias da Web Semântica pelo Pr Fabien Gandon, o mesmo instinto aplicado ao conhecimento, e não à física: representar explicitamente o que já é conhecido, em vez de reaprender sistematicamente todo o modelo a partir de dados brutos. A disciplina compartilhada é saber o que você sabe, aprender o que você não sabe e fazer da fronteira entre os dois algo que você possa inspecionar.
08 A trilha de pesquisa por trás da sala de aula
O artigo se baseia em uma sequência de publicações que acompanha o trabalho desde a apresentação de um algoritmo e sua prova de convergência até a comparação numérica, o desenvolvimento teórico e as aplicações geofísicas.
A nota fundadora; apresenta o BFN e prova a convergência para um sistema ODE linear.
Desenvolvimento mais completo e estudo numérico na assimilação oceanográfica.
A extensão DBFN para difusão em integração retroativa.
Testes em modelos de águas rasas e oceânicos completos, incluindo o comportamento sob ruído de observação.
Fundamentos: problemas inversos, controle ótimo, assimilação de dados
- Hadamard, J. (1902). Sur les problèmes aux dérivées partielles et leur signification physique. — A definição original do caráter bem-posto.
- Lions, J.-L. (1971). Optimal Control of Systems Governed by Partial Differential Equations. Springer. — A teoria de controle ótimo subjacente à assimilação variacional de dados.
- Kalnay, E. (2003). Atmospheric Modeling, Data Assimilation and Predictability. Cambridge University Press. — Texto padrão; na lista de leitura do curso.
- Evensen, G. (2006). Data Assimilation: The Ensemble Kalman Filter. Springer. — Texto padrão; na lista de leitura do curso.
- Bennett, A. F. (2002). Inverse Modeling of the Ocean and Atmosphere. Cambridge University Press. — Na lista de leitura do curso.
- Auroux, D. (2003). Étude de différentes méthodes d'assimilation de données pour l'environnement. Tese de doutorado, Université de Nice-Sophia Antipolis (supervisionada por Jacques Blum).
Os professores
- Prof. Jacques Blum — Página da universidade · Biografia
- Prof. Didier Auroux — Página da universidade · Publicações · Maison de la Modélisation, de la Simulation et des Interactions
O material das seções §§01—07 que descreve a estrutura, o escopo e o conteúdo trabalhado nas disciplinas — enquadramento e exemplos de problemas inversos; tratamento de Hadamard para problemas bem-postos e instabilidade da diferenciação; funções de custo 3D-Var e 4D-Var e método adjunto; distinção entre discretizar e diferenciar; ordens de grandeza e restrições operacionais; taxonomia dos métodos; e laboratórios de experimentos gêmeos de Lorenz com nudging, 4D-Var e Kalman, incluindo uma verificação de gradiente — foi extraído dos materiais didáticos da DSTI dos professores Blum e Auroux: programas, notas de aula e cadernos das disciplinas Matemática Aplicada à Ciência de Dados, Otimização Contínua e Problemas Inversos e Assimilação de Dados. Esses elementos não são citações públicas, salvo quando uma fonte pública é indicada no próprio texto.
Encerramento: a aula que os alunos devem manter
A inteligência artificial não é uma classe única de modelos. É a construção disciplinada de sistemas que inferem, otimizam e agem sob incerteza. Às vezes, os dados devem aprender o modelo. Às vezes, os dados deveriam corrigir um modelo que já codifica a física real. Saber a diferença — e ser capaz de defender a escolha com uma função de custo, uma covariância de erro, um argumento de convergência e uma explicação honesta do que foi assumido — faz parte de se tornar um engenheiro que entende os fundamentos científicos e não apenas as ferramentas.
É apropriado que o curso exista dentro de uma cadeia que começa com o gradiente de uma única função e termina em uma fronteira de pesquisa, ministrada por dois matemáticos que aprenderam o campo com a pessoa que fundou amplamente sua metade teórica de controle. Essa é a versão da expertise que DSTI tenta ensinar: não a confiança para executar uma simulação, mas o julgamento para saber quanto vale uma reconstrução.