基于生成对抗网络的随机输入参数化及其在地质学中的应用
机器学习
2019-04-10 v2 计算物理
机器学习
摘要
我们研究将人工神经网络作为数值模拟中随机输入的参数化工具。我们从模拟数据生成过程的角度处理参数化，而非显式构造保留数据预定义统计量的参数形式。这是通过训练一个神经网络利用称为生成对抗网络(generative adversarial networks, GAN)的近期深度学习技术从数据分布中生成样本来实现的。通过模拟数据生成过程，数据的有关统计量得以复现。该方法在地下流动问题中得到评估，其中由于高维度和强空间相关性的存在，对渗透率等地下属性进行有效参数化十分重要。我们使用二值河道化地下渗透率的实现进行实验，并执行不确定性量化与参数估计。结果表明，使用生成对抗网络的参数化在保持视觉真实感及流动响应的高阶统计量方面非常有效，同时实现了两个数量级的降维。
引用
@article{arxiv.1904.03677,
title = {Parametrization of stochastic inputs using generative adversarial networks with application in geology},
author = {Shing Chan and Ahmed H. Elsheikh},
journal= {arXiv preprint arXiv:1904.03677},
year = {2019}
}