ST-PCNN:用于动力学预报的时空物理耦合神经网络
机器学习
2021-08-16 v1
摘要
海洋流、流体力学以及许多其他时空物理动力系统都是宇宙的基本组成部分。此类系统的一个关键特征是:某些物理定律——表现为常微分方程/偏微分方程(ODEs/PDEs)——在很大程度上主导整个过程,而与时间或位置无关。物理信息学习近来兴起以学习物理从而实现准确预测,但它们往往缺乏利用局部时空相关性的机制,或依赖于硬编码的物理参数。本文主张采用一种物理耦合神经网络模型来学习支配系统物理过程的参数,并进一步将所学物理耦合以辅助循环动力学的学习。我们提出时空物理耦合神经网络(ST-PCNN)模型以实现三个目标:(1) 学习底层物理参数,(2) 时空区域间局部信息的传递,(3) 对该动力系统未来值进行预报。物理耦合学习确保所提模型能借助所学物理参数获得极大提升,并可实现良好的长程预报(例如超过 30 步)。利用模拟与实地采集的海洋流数据开展的实验验证了 ST-PCNN 优于现有物理信息模型。
引用
@article{arxiv.2108.05940,
title = {ST-PCNN: Spatio-Temporal Physics-Coupled Neural Networks for Dynamics Forecasting},
author = {Yu Huang and James Li and Min Shi and Hanqi Zhuang and Xingquan Zhu and Laurent Chérubin and James VanZwieten and Yufei Tang},
journal= {arXiv preprint arXiv:2108.05940},
year = {2021}
}