物理引导神经网络（PGNN）：在湖泊温度建模中的应用
机器学习
2021-09-29 v3 人工智能
计算机视觉与模式识别
数据分析、统计与概率
机器学习
摘要
本文介绍了一种将基于物理的模型科学知识与神经网络相结合的框架，以推进科学发现。该框架称为物理引导神经网络（PGNN），在混合建模设置中利用基于物理的模型模拟输出与观测特征，通过神经网络架构生成预测。此外，该框架在神经网络的学习目标中使用基于物理的损失函数，以确保模型预测不仅在训练集上误差更低，而且在无标签集上与已知物理规律科学一致。我们以湖泊温度建模问题说明了 PGNN 的有效性，其中温度、密度与水深之间的物理关系被用于设计基于物理的损失函数。通过利用科学知识引导神经网络的构建与学习，我们能够证明所提框架确保了更好的泛化能力以及结果的科学一致性。本研究使用的所有代码与数据集均已在此链接 \url{https://github.com/arkadaw9/PGNN} 公开。
引用
@article{arxiv.1710.11431,
title = {Physics-guided Neural Networks (PGNN): An Application in Lake Temperature Modeling},
author = {Arka Daw and Anuj Karpatne and William Watkins and Jordan Read and Vipin Kumar},
journal= {arXiv preprint arXiv:1710.11431},
year = {2021}
}