論文の概要: Machine Learning for Robust Identification of Complex Nonlinear
Dynamical Systems: Applications to Earth Systems Modeling
- arxiv url: http://arxiv.org/abs/2008.05590v1
- Date: Wed, 12 Aug 2020 22:37:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 06:17:40.027062
- Title: Machine Learning for Robust Identification of Complex Nonlinear
Dynamical Systems: Applications to Earth Systems Modeling
- Title（参考訳）: 複雑な非線形力学系のロバスト同定のための機械学習:地球系モデリングへの応用
- Authors: Nishant Yadav, Sai Ravela, Auroop R. Ganguly
- Abstract要約: カオスを示すシステムは地球科学の至るところに分布している。
システム同定は、気候科学における課題である。
我々は,気候科学におけるベンチマークモデルとして,2レベルロレンツ-96のカオスシステムを考える。
- 参考スコア（独自算出の注目度）: 8.896888286819635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Systems exhibiting nonlinear dynamics, including but not limited to chaos,
are ubiquitous across Earth Sciences such as Meteorology, Hydrology, Climate
and Ecology, as well as Biology such as neural and cardiac processes. However,
System Identification remains a challenge. In climate and earth systems models,
while governing equations follow from first principles and understanding of key
processes has steadily improved, the largest uncertainties are often caused by
parameterizations such as cloud physics, which in turn have witnessed limited
improvements over the last several decades. Climate scientists have pointed to
Machine Learning enhanced parameter estimation as a possible solution, with
proof-of-concept methodological adaptations being examined on idealized
systems. While climate science has been highlighted as a "Big Data" challenge
owing to the volume and complexity of archived model-simulations and
observations from remote and in-situ sensors, the parameter estimation process
is often relatively a "small data" problem. A crucial question for data
scientists in this context is the relevance of state-of-the-art data-driven
approaches including those based on deep neural networks or kernel-based
processes. Here we consider a chaotic system - two-level Lorenz-96 - used as a
benchmark model in the climate science literature, adopt a methodology based on
Gaussian Processes for parameter estimation and compare the gains in predictive
understanding with a suite of Deep Learning and strawman Linear Regression
methods. Our results show that adaptations of kernel-based Gaussian Processes
can outperform other approaches under small data constraints along with
uncertainty quantification; and needs to be considered as a viable approach in
climate science and earth system modeling.
- Abstract（参考訳）: カオスに限らず非線形ダイナミクスを示すシステムは、気象学、水文学、気候学、生態学などの地球科学や、神経や心臓のプロセスなどの生物学の至るところに分布している。
しかし、システム識別は依然として課題である。
気候・地球系モデルでは、第一原理から従う方程式や重要な過程の理解が着実に改善されている一方で、雲物理学のようなパラメータ化によって生じる最大の不確実性は、過去数十年間、限定的な改善が見られた。
気候学者は機械学習によるパラメータ推定の強化を可能な解として指摘しており、理想化されたシステムで概念の方法論的適応が検討されている。
気候科学は、遠隔およびその場のセンサーから収集されたモデルシミュレーションと観測の量と複雑さのために「ビッグデータ」課題として強調されてきたが、パラメータ推定プロセスは比較的「小さなデータ」問題であることが多い。
この文脈でデータサイエンティストにとって重要な質問は、ディープニューラルネットワークやカーネルベースのプロセスに基づくものを含む最先端のデータ駆動アプローチの関連性である。
ここでは,気候科学文献のベンチマークモデルとして用いられるカオスシステムである2レベルlorenz-96を,パラメータ推定のためのガウス過程に基づく手法を採用し,ディープラーニングとストローマン線形回帰法の一群と比較する。
以上の結果から,カーネルベースのガウス過程の適応は,不確実な定量化とともに,小さなデータ制約下での他のアプローチよりも優れており,気候科学や地球系モデリングにおいて有効なアプローチであると考えられる必要がある。
関連論文リスト
- Neural Incremental Data Assimilation [8.817223931520381]
ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。
これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。
本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
論文 参考訳（メタデータ） (2024-06-21T11:42:55Z) - Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳（メタデータ） (2022-08-19T00:35:03Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Encoding physics to learn reaction-diffusion processes [18.187800601192787]
物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。
物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
論文 参考訳（メタデータ） (2021-06-09T03:02:20Z) - Detecting chaos in lineage-trees: A deep learning approach [1.536989504296526]
本稿では,合成軌道上でのディープラーニングモデルの訓練に基づいて,データから最大のリアプノフ指数を推定する新しい手法について述べる。
本手法は, 樹状データ, 生物環境におけるユビキタストポロジ, 特に細胞や生物の系統の動態を解析できるという点で特有である。
論文 参考訳（メタデータ） (2021-06-08T11:11:52Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。