面向地球科学统一机器学习与物理模型的可微建模
机器学习
2023-12-29 v2 计算工程、金融与科学
大气与海洋物理
地球物理
摘要
基于过程的建模（PBM）与机器学习（ML）在地球科学中常被视为不同的范式。本文提出可微地球科学建模，作为消除二者间感知壁垒并引发范式转变的有力途径。数十年来，PBM 在可解释性与物理一致性方面具有优势，但难以高效利用大型数据集。ML 方法，尤其是深度网络，展现出较强的预测能力，却缺乏回答具体科学问题的能力。尽管已提出多种 ML-物理融合方法，但其重要底层主题——可微建模——未得到充分重视。本文概述了可微地球科学建模（DG）的概念、适用性与意义。“可微”指对模型变量准确高效地计算梯度，这对学习高维未知关系至关重要。DG 指一系列将不同量的先验知识连接到神经网络并共同训练的方法，其范围不同于物理引导的机器学习，并强调第一性原理。初步证据表明，DG 比 ML 具有更好的可解释性与因果性、改进的泛化与外推能力，以及知识发现的强潜力，同时逼近纯数据驱动 ML 的性能。DG 模型需要更少的训练数据，且随数据量增加在性能与效率上具有良好的扩展性。借助 DG，地球科学家能更好地构建与调查研究问题、检验假设并发现未被认识的联系。
引用
@article{arxiv.2301.04027,
title = {Differentiable modeling to unify machine learning and physical models and advance Geosciences},
author = {Chaopeng Shen and Alison P. Appling and Pierre Gentine and Toshiyuki Bandai and Hoshin Gupta and Alexandre Tartakovsky and Marco Baity-Jesi and Fabrizio Fenicia and Daniel Kifer and Li Li and Xiaofeng Liu and Wei Ren and Yi Zheng and Ciaran J. Harman and Martyn Clark and Matthew Farthing and Dapeng Feng and Praveen Kumar and Doaa Aboelyazeed and Farshid Rahmani and Hylke E. Beck and Tadd Bindas and Dipankar Dwivedi and Kuai Fang and Marvin Höge and Chris Rackauckas and Tirthankar Roy and Chonggang Xu and Binayak Mohanty and Kathryn Lawson},
journal= {arXiv preprint arXiv:2301.04027},
year = {2023}
}