我对人工智能和神经网络完全陌生。我目前正在从事一个等离子体物理模拟项目，该项目需要非常高分辨率的数据集。我们目前有两个以不同分辨率运行同一问题的模拟结果——一个的分辨率高于另一个。但是，我们需要更高的分辨率才能有效地使用这些数据。不幸的是，由于计算能力的限制，我们不可能运行更高分辨率的模拟。因此，相反，我们试图以某种方式对我们必须的数据进行插值，以便合理估计如果我们以更高的分辨率运行模拟结果可能会是什么。我尝试使用 SciPy 中的传统插值技术和函数对数据进行插值。然而，

问题陈述和我的想法

所以我想知道是否可以使用神经网络生成一个输出，当输入到插值器（我使用 SciPy 编写的代码）时，会产生比只使用插值器更好的结果。目前，绘制时的数据如下所示：

这是在某个时间 t 绘制的数据。但是，我们有大约 30 个不同时间步长的数据与此类似 - 所以我们有 30 个不同的数据集，它们看起来与此相似，但略有改变。正如我之前所说，我们还拥有 30 个时间步长中每一个的高分辨率和低分辨率数据集。

我对 ANN 的想法如下：可以将低分辨率数据（512 x 256 二维阵列）输入网络以输出稍微修改的 512 x 256 二维阵列。然后我们可以将修改后的数据集输入到我们的插值器中，看看它是否与高分辨率数据集 (1024 x 512) 匹配。网络的误差函数将是高数据集和插值数据集的差异的函数（可能类似于数组中每个元素的差异的平方和）。然后可以对所有 30 个不同的数据集执行此操作，以最小化高分辨率和插值数据集的差异。

如果这按计划工作，我会以某种方式将这个训练有素的 ANN 用于高分辨率数据集（1024 x 512），以将其输出输入插值器。

问题

是否有可能创建一个可以做到这一点的神经网络，如果可以，什么类型的网络可以做到这一点？

即使可以训练神经网络，当最初使用低分辨率数据集 (512 x 256) 训练时，我们如何升级以适用于高分辨率数据集 (1024 x 512)？

这是预测模拟结果的可靠方法吗？（所有 30 个数据集看起来几乎与上图一模一样；包括高分辨率结果）

如果可能，请链接一些资源，以便我可以进一步阅读。