用于湖泊温度建模中不确定性量化的物理引导神经网络架构（PGA）
机器学习
2019-11-11 v1 计算物理
机器学习
摘要
为了同时应对深度学习中表达不确定性日益增长的需求以及产生与已知科学知识一致的模型输出，我们在湖泊温度建模背景下提出了一种新颖的物理引导架构（PGA）神经网络，其中物理约束被硬编码到神经网络架构中。这使我们能够将这些模型与最先进的不确定性估计方法（如蒙特卡洛（MC）Dropout）集成，而不牺牲结果的物理一致性。我们展示了我们的方法在确保更好的泛化性以及 MC 估计的物理一致性方面的有效性，所用数据来自威斯康星州的 Mendota 湖和弗吉尼亚州的 Falling Creek 水库，即便训练数据有限。我们进一步表明，我们的 MC 估计正确匹配了地面真值观测的分布，从而使 PGA 范式适用于有物理依据的不确定性量化。
引用
@article{arxiv.1911.02682,
title = {Physics-Guided Architecture (PGA) of Neural Networks for Quantifying Uncertainty in Lake Temperature Modeling},
author = {Arka Daw and R. Quinn Thomas and Cayelan C. Carey and Jordan S. Read and Alison P. Appling and Anuj Karpatne},
journal= {arXiv preprint arXiv:1911.02682},
year = {2019}
}
备注
11 pages, 15 figures, 2 tables