极地冰上基于物理信息的机器学习综述
机器学习
2024-05-01 v1
摘要
极地冰盖的质量损失对持续的海平面上升和改变海洋环流产生了巨大影响，导致沿海城市淹水，危及全球数千万人的家园和生计。为解决冰行为的复杂问题，文献中提出了物理模型和数据驱动模型。虽然传统物理模型能够保证物理上有意义的结果，但在产生高分辨率结果方面存在局限。另一方面，数据驱动方法需要大量高质量和标记数据，而这些数据在极地区域几乎不可得。因此，作为一种能够利用物理模型和数据驱动方法优势的有前景框架，物理信息机器学习 (PIML) 近年来受到广泛关注。本文综述了现有的 PIML算法，提供我们自己的分类方法，并分析了 PIML 在准确性和效率方面的优势。进一步地，我们的综述讨论了一些当前挑战，并突出了未来机会，包括 PIML 在海冰研究中的应用、PIML 与不同组合方法和主干网络的结合，以及神经算子方法。
引用
@article{arxiv.2404.19536,
title = {Physics-Informed Machine Learning On Polar Ice: A Survey},
author = {Zesheng Liu and YoungHyun Koo and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2404.19536},
year = {2024}
}