基于物理的时空系统相干结构无监督发现方法
流体动力学
2017-09-12 v1 统计力学
斑图形成与孤子
大气与海洋物理
摘要
给定观测和数值气候数据正以越来越惊人的速率产生，日益复杂和自动化的分析技术已变得必不可少。深度学习正迅速成为此类分析的标准方法，虽然取得了巨大进展，但重大挑战依然存在。与深度学习带来惊人成功的商业应用不同，科学数据高度复杂且通常无标签。此外，可解释性和检测新机制是科学发现的关键。为了增强发现能力，我们提出了一种互补的基于物理的、数据驱动的方法，该方法利用由局部动力学（例如流体流动）生成的时空数据集的因果性质。我们阐明了如何在元胞自动机中发现新图案和相干结构，并勾勒出从它们走向气候数据的路径。
引用
@article{arxiv.1709.03184,
title = {A Physics-Based Approach to Unsupervised Discovery of Coherent Structures in Spatiotemporal Systems},
author = {A. Rupe and J. P. Crutchfield and K. Kashinath and Prabhat},
journal= {arXiv preprint arXiv:1709.03184},
year = {2017}
}
备注
4 pages, 1 figure; http://csc.ucdavis.edu/~cmg/compmech/pubs/ci2017_Rupe_et_al.htm