面向行星模拟的极端学习机器
地球与行星天体物理
2025-06-25 v1 天体物理仪器与方法
机器学习
大气与海洋物理
摘要
随着天体和气候数据分辨率和覆盖范围的不断提高，需求越来越高的复杂模型，常常将计算可行性推向极限。虽然仿真方法可以降低计算成本，但通常用于的神经网络架构——通过梯度下降优化——本身在数据生成方面就昂贵。本文探讨了极端学习机器 (Extreme Learning Machine, ELM) 作为轻量级、非梯度机器学习算法加速复杂物理模型的实用性。我们在两个具有不同数据结构的测试案例中评估了ELM代理模型：(i) 顺序结构数据，和(ii) 图像结构数据。对于测试案例(i)，其中样本数 N >> 输入数据维度 d，ELM在效率方面实现了惊人的提升，训练时间比双向循环神经网络 (BIRNN) 快最高可达10万倍，预测速度快40倍，同时改进了BIRNN的测试性能。对于测试案例(ii)，其特征为 d >> N 且为图像输入，单个ELM不足以实现良好效果，但由50个单个ELM预测器组成的集成方法在准确度上可与基准卷积神经网络 (CNN) 相当，训练时间缩短16.4倍，尽管预测时间增加6.9倍。我们发现不同测试案例之间的样本效率特征：在测试案例(i)中，单个ELM显示出优异的样本效率，只需基准BIRNN训练数据集的0.28%，而在测试案例(ii)中，集成方法需要CNN使用的78%的数据才能实现可比结果——这是一种在样本效率和模型复杂度之间的权衡。
引用
@article{arxiv.2506.19679,
title = {Extreme Learning Machines for Exoplanet Simulations: A Faster, Lightweight Alternative to Deep Learning},
author = {Tara P. A. Tahseen and Luís F. Simões and Kai Hou Yip and Nikolaos Nikolaou and João M. Mendonça and Ingo P. Waldmann},
journal= {arXiv preprint arXiv:2506.19679},
year = {2025}
}
备注
20 pages, 16 figures