用于地球物理替代建模的循环神经网络架构搜索
计算物理
2020-08-14 v2
摘要
由于数值模拟方法伴随着巨大的计算成本，从数据中开发地球物理替代模型已成为大气和海洋建模中的一个关键研究课题。研究人员已开始将各种机器学习模型（尤其是神经网络）应用于地球物理数据，以在没有这些限制的情况下进行预测。然而，构建用于预测此类数据的神经网络并非易事，且通常需要反复试错。为了解决这些局限性，我们专注于开发基于本征正交分解的长短期记忆网络（POD-LSTM）。我们开发了一种可扩展的神经架构搜索，用于生成堆叠 LSTM 以预测 NOAA 最佳插值海表温度数据集中的温度。我们的方法所识别出的 POD-LSTM 优于手动设计的变体和基线时间序列预测方法。我们还在阿贡领导力计算设施的 Theta 超级计算机上评估了不同架构搜索策略在多达 512 个 Intel Knights Landing 节点上的可扩展性。
引用
@article{arxiv.2004.10928,
title = {Recurrent Neural Network Architecture Search for Geophysical Emulation},
author = {Romit Maulik and Romain Egele and Bethany Lusch and Prasanna Balaprakash},
journal= {arXiv preprint arXiv:2004.10928},
year = {2020}
}