PCE-PINNs：用于海洋建模中不确定性传播的物理信息神经网络
机器学习
2021-05-10 v1
摘要
根据 CMIP6 模型集合，气候模型预测到 2100 年全球气温升高 1.5 至 5 摄氏度的可能变暖情景的不确定性范围。气候风险管理和基础设施适应需要在地方层面精确量化不确定性。高分辨率气候模型集合可精确量化不确定性，但大多数基于物理的气候模型计算代价过高，无法作为集合运行。物理信息神经网络（PINNs）的近期工作已将深度学习与物理科学结合，学习速度最高快 15k 倍的气候子模型副本。然而，PINNs 在气候建模中的应用迄今大多局限于确定性模型。我们提出了一种结合多项式混沌展开（PCE，一种经典的不确定性传播技术）与 PINNs 的新方法。PCE-PINNs 学习了一个快速替代模型，并展示了其对已知参数不确定性的传播。我们通过局部平流-扩散方程在海洋建模中展示了其有效性。
引用
@article{arxiv.2105.02939,
title = {PCE-PINNs: Physics-Informed Neural Networks for Uncertainty Propagation in Ocean Modeling},
author = {Björn Lütjens and Catherine H. Crawford and Mark Veillette and Dava Newman},
journal= {arXiv preprint arXiv:2105.02939},
year = {2021}
}
备注
Presented at ICRL 2021 Workshop on AI for Modeling Oceans and Climate Change