基于知识的深度学习用于混沌系统建模
机器学习
2023-12-05 v1 计算物理
机器学习
摘要
深度学习因其在计算机视觉、自然语言处理、推荐系统以及最近在模拟多物理场问题和预测非线性动力系统等诸多领域无可匹敌的成功而受到越来越多的关注。然而，由于训练深度学习模型需要大数据，而许多情况下并不总是可用，建模和预测混沌系统的动态仍是一个开放的研究问题。此类深度学习者可以从模拟结果获得的额外信息中训练，并通过强制施加混沌系统的物理定律来训练。本文考虑极端事件及其动态，并提出了基于深度神经网络的优雅模型，称为基于知识的深度学习（KDL）。我们提出的KDL可以通过直接在动态及其微分方程上的真实与模拟数据联合训练，学习支配混沌系统的复杂模式。该知识被迁移以建模和预测展现极端行为的真实世界混沌事件。我们通过三个真实世界基准数据集评估模型的效率：厄尔尼诺海表温度、圣胡安登革热病毒感染和Bj{\o}rn{\o}ya每日降水，均受极端事件动态支配。利用极端事件的先验知识和基于物理的损失函数引导神经网络学习，我们确保了物理一致、可泛化且准确的预测，即使在小数据体制下。
引用
@article{arxiv.2209.04259,
title = {Knowledge-based Deep Learning for Modeling Chaotic Systems},
author = {Zakaria Elabid and Tanujit Chakraborty and Abdenour Hadid},
journal= {arXiv preprint arXiv:2209.04259},
year = {2023}
}