Модель искусственного интеллекта помогает изучить пространственно-временную динамику

Схематическая архитектура Percnn. UCAS

Профессор Лю Ян из Университета китайской академии наук (UCAS) в сотрудничестве со своими коллегами из Университета Ренминского университета и Массачусетского технологического института, предложила новую сеть, а именно, кодируемая физикой рецидив), для моделирования и обнаружения нелинейных пространственно-временных динамических систем, основанных на редких и шумных данных.

Подход может быть применен к различным проблемам, таким как процессы реакционной диффузии и другие системы дифференциального уравнения (PDE), включая прямой и обратный анализ, моделирование данных и обнаружение PDE.

В частности, исследователи предложили глубокую структуру обучения, которая принудительно кодирует данную физическую структуру в рецидивирующей сверточной нейронной сети, чтобы облегчить изучение пространственно -временной динамики в режимах редких данных. Документ опубликован в журнале Nature Machine Intelligence.

Они обнаружили, что такая вычислительная парадигма демонстрирует высокую точность, надежность, интерпретацию и обобщаемость и продемонстрировала возможности предлагаемой сетевой архитектуры, применяя ее к различным задачам в научном моделировании пространственно-временной динамики, такой как процессы реакции-диффузии.

В целом, прогнозирование эволюции сложных пространственно -временных динамических систем является сложной задачей во многих случаях из -за недостаточных предварительных знаний и отсутствия явной формулировки PDE для описания нелинейного процесса системных переменных.Традиционные методы машинного обучения должны полагаться на большое количество учебных данных и страдать от таких проблем, как плохая интерпретация, слабое обобщение и неконтролируемые ошибки моделирования.

Благодаря недавней разработке можно изучить пространственно-временную динамику из данных измерения при добавлении предшествующих знаний о физике.Тем не менее, существующие физические парадигмы машинного обучения навязывают физические законы или регулирующие уравнения посредством мягких штрафных ограничений, а качество решения в значительной степени зависит от правильной настройки гиперпараметров проб и ошибок.Следовательно, очень необходимо разработать новую модель обучения, встроенную в знания, чтобы изучить основную пространственно-временную динамику из данных.

По мнению исследователей, основное преимущество Percnn заключается в том, что предыдущие знания о физике могут быть закодированы в нейросеть, что гарантирует, что полученная сеть строго подчиняется данной физике.Это имеет значительные преимущества в улучшении конвергенции и точности модели.Кодируя данную физическую структуру в рецидивирующую сверточную нейронную сеть, производительность моделирования пространственно -временных динамических систем, основанных на редких и шумных данных, была улучшена.

Предлагаемый подход может быть применен для обнаружения различных процессов реакции-диффузии и другие системы PDE.Сравнивая предлагаемый подход с некоторыми существующими методами (также известными как базовые модели), ученые обнаружили, что этот подход последовательно превосходит рассматриваемые базовые показатели под разными уровнями шума.

Кроме того, исследователи интегрировали метод разреженной регрессии с моделью Percnn, чтобы обнаружить явную форму PDE.Вся процедура состоит из трех этапов: реконструкция данных, разреженная регрессия и тонкая настройка коэффициентов.

Ожидается, что это исследование продвинет разработку моделирования данных сложных пространственно-временных динамических систем, предоставив ученым и инженерам более мощные инструменты для понимания и прогнозирования природных и инженерных явлений.

Ожидается, что подход, который сочетает в себе глубокое обучение и их предыдущие знания по физике, будет применим в нескольких дисциплинах и играет важную роль, включая механику жидкости, биохимию, экологическую науку, инженерию и многое другое.

Исследователи с нетерпением ждут дальнейшего развития и применения этого нового подхода, который может разгадать больше загадок о сложных пространственно -временных динамических системах и принести новые прорывы для будущего научного и технологического развития.

Больше информации: Chenging Rao et al., Кодирование физики для изучения процессов реакции -диффузии, интеллект природы (2023).Doi: 10.1038/s42256-023-00685-7