物理引导的机器学习用于科学发现：以湖泊温度剖面模拟为例
机器学习
2020-09-15 v3 信号处理
摘要
基于物理的动力学系统模型常被用于研究工程与环境系统。尽管应用广泛，这些模型由于对所建模物理过程的简化表征或参数选取困难而存在若干众所周知的局限。虽然最先进的机器学习模型在充足训练数据下有时可超越基于物理的模型，但其结果可能违背物理一致性。本文提出一种物理引导的循环神经网络模型（PGRNN），将 RNN 与基于物理的模型结合以发挥二者互补优势，改进对物理过程的建模。具体而言，我们表明 PGRNN 可较基于物理的模型提升预测精度，同时生成符合物理定律的输出。我们 PGRNN 方法的一个重要方面在于其能够融入基于物理的模型中所编码的知识，从而仅需极少真实观测数据即可训练模型并保证高预测精度。尽管我们在湖泊温度动态建模的背景下提出并评估该方法，但其广泛适用于使用基于物理（亦称机制）模型的科学与工程专业领域，例如气候科学、材料科学、计算化学与生物医学。
引用
@article{arxiv.2001.11086,
title = {Physics-Guided Machine Learning for Scientific Discovery: An Application in Simulating Lake Temperature Profiles},
author = {Xiaowei Jia and Jared Willard and Anuj Karpatne and Jordan S Read and Jacob A Zwart and Michael Steinbach and Vipin Kumar},
journal= {arXiv preprint arXiv:2001.11086},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1810.13075