利用深度神经数值模型学习广义准地转模型
机器学习
2019-11-21 v1 大气与海洋物理
机器学习
摘要
我们引入一种新策略，旨在帮助物理学家发现支配动力系统的隐藏规律。我们提议使用机器学习自动微分库来开发混合数值模型，将基于先验物理知识的组件与基于神经网络的组件相结合。在这些称为深度神经数值模型（DNNMs）的架构中，神经网络组件被用作构建模块，进而用于学习支配动力系统的物理规律中的隐藏变量。在本文中，我们展示了 DNNMs 在上层海洋动力学中的应用，更确切地说是海表示踪物——海表高度（SSH）的动力学。我们开发了一种基于平流的全可微分数值格式，其中部分计算可被可学习的 ConvNets 替代，并与几十年前发展的物理海洋学基线理论——单层准地转（QG）模型建立联系。
引用
@article{arxiv.1911.08856,
title = {Learning Generalized Quasi-Geostrophic Models Using Deep Neural Numerical Models},
author = {Redouane Lguensat and Julien Le Sommer and Sammy Metref and Emmanuel Cosme and Ronan Fablet},
journal= {arXiv preprint arXiv:1911.08856},
year = {2019}
}
备注
Accepted for the 2nd Workshop on Machine Learning and the Physical Sciences (NeurIPS 2019), Vancouver, Canada