通过神经算子中的主动学习发现与预测极端事件
机器学习
2022-09-21 v2 混沌动力学
数据分析、统计与概率
机器学习
摘要
社会与自然中的极端事件，如疫情激增、畸形波或结构失效，可能带来灾难性后果。刻画极端事件十分困难，因为它们发生稀少、源于看似无害的条件，且属于复杂且通常未知的无限维系统。这些挑战使得刻画它们的尝试徒劳无功。我们通过将贝叶斯实验设计（BED）中的新颖训练方案与深度神经算子（DNO）集成相结合，逐一应对这些困难。这一与模型无关的框架将主动选择数据以量化极端事件的 BED 方案，与近似无限维非线性算子的 DNO 集成相配对。我们发现该框架不仅明显优于高斯过程（GPs），而且：1）仅含两个成员的浅层集成表现最佳；2）无论初始数据状态如何（即无论是否含极端事件）都能揭示极端事件；3）我们的方法消除了“双下降”现象；4）与使用逐步全局最优相比，采用次优获取点的批次并不妨碍 BED 性能；5）在高维中蒙特卡洛获取优于标准优化器。这些结论共同构成了 AI 辅助实验基础设施的基础，能够跨物理到社会系统等诸多领域高效推断并精确定位关键情形。
引用
@article{arxiv.2204.02488,
title = {Discovering and forecasting extreme events via active learning in neural operators},
author = {Ethan Pickering and Stephen Guth and George Em Karniadakis and Themistoklis P. Sapsis},
journal= {arXiv preprint arXiv:2204.02488},
year = {2022}
}
备注
25 pages, 8 figures, Submitted to Nature Computational Science