通过深度学习对计算代价高昂的仿真进行机会性代理
机器学习
2022-01-03 v3
摘要
以提高与大堡礁管理和保护相关的计算建模效率为根本目标，我们通过重新利用包含 APSIM 模型运行输出的现有大型数据集，对使用深度神经网络进行 APSIM 模型的机会性模型代理进行了初步研究。该数据集并未专门针对模型代理任务定制。我们采用两种神经网络架构进行代理任务：密集连接的前馈神经网络（Feed-Forward Neural Network, FFNN）和向 FFNN 馈送数据的门控循环单元（GRU-FFNN），后者是一种循环神经网络。我们试验了这些架构的多种配置。使用最小相关性统计来识别可聚合以形成模型代理训练集的 APSIM 场景聚类。我们专注于代理 APSIM 模型的 4 个重要输出：runoff、soil_loss、DINrunoff 和 Nleached。具有三个隐藏层且每层 128 个单元的 GRU-FFNN 架构对 runoff 和 DINrunoff 提供了良好的代理。然而，在所考虑的广泛架构范围内，soil_loss 和 Nleached 的代理效果相对较差；代理模型未能捕获这两个输出在较高值处的变异性。虽然过去建模活动提供的机会性数据为探索 APSIM 代理提供了庞大且有用的数据集，但它可能不够丰富，无法成功实现更复杂模型动力学的深度学习。可能需要计算机实验设计来生成更多信息丰富的数据，以代理所有感兴趣的输出变量。我们还建议使用合成气象设置，以允许向模型输入广泛的输入。这些输入不必全部代表正常条件，但可以提供更密集、信息更丰富的数据集，从中可以学习输入与输出之间的复杂关系。
引用
@article{arxiv.2108.11057,
title = {Opportunistic Emulation of Computationally Expensive Simulations via Deep Learning},
author = {Conrad Sanderson and Dan Pagendam and Brendan Power and Frederick Bennett and Ross Darnell},
journal= {arXiv preprint arXiv:2108.11057},
year = {2022}
}