論文の概要: Living in the Physics and Machine Learning Interplay for Earth Observation

• arxiv url: http://arxiv.org/abs/2010.09031v1
• Date: Sun, 18 Oct 2020 16:58:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 04:40:23.912802
• Title: Living in the Physics and Machine Learning Interplay for Earth Observation
• Title（参考訳）: 地球観測のための物理と機械学習の相互作用に生きる
• Authors: Gustau Camps-Valls, Daniel H. Svendsen, Jordi Cort\'es-Andr\'es, \'Alvaro Moreno-Mart\'inez, Adri\'an P\'erez-Suay, Jose Adsuara, Irene Mart\'in, Maria Piles, Jordi Mu\~noz-Mar\'i, Luca Martino
• Abstract要約: 推論は変数の関係を理解し、物理的に解釈可能なモデルを導出することを意味する。 機械学習モデルだけでも優れた近似器であるが、物理学の最も基本的な法則を尊重しないことが多い。 これは、地球系の知識を発見できるアルゴリズムを開発し、適用するための、長期的なAIの集合的なアジェンダである。
• 参考スコア（独自算出の注目度）: 7.669855697331746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most problems in Earth sciences aim to do inferences about the system, where accurate predictions are just a tiny part of the whole problem. Inferences mean understanding variables relations, deriving models that are physically interpretable, that are simple parsimonious, and mathematically tractable. Machine learning models alone are excellent approximators, but very often do not respect the most elementary laws of physics, like mass or energy conservation, so consistency and confidence are compromised. In this paper, we describe the main challenges ahead in the field, and introduce several ways to live in the Physics and machine learning interplay: to encode differential equations from data, constrain data-driven models with physics-priors and dependence constraints, improve parameterizations, emulate physical models, and blend data-driven and process-based models. This is a collective long-term AI agenda towards developing and applying algorithms capable of discovering knowledge in the Earth system.
• Abstract（参考訳）: 地球科学のほとんどの問題は、正確な予測が問題全体のごく一部に過ぎず、システムに関する推論を行うことを目指している。 推論は変数の関係を理解し、物理的に解釈可能で、単純な同義語であり、数学的に計算可能であるモデルを導出する。 機械学習モデルだけでも優れた近似器であるが、質量やエネルギーの保存といった物理学の基本法則を尊重しないことが多いため、一貫性と信頼性が損なわれる。 本稿では,この分野の主な課題を述べるとともに,データから微分方程式をエンコードし,物理プライオリエントと依存制約でデータ駆動モデルを制約し,パラメータ化を改善し,物理モデルをエミュレートし,データ駆動モデルとプロセスベースのモデルをブレンドする。 これは、地球システムにおける知識を発見できるアルゴリズムを開発し、適用するための長期的なaiアジェンダである。

関連論文リスト

• Physics meets Topology: Physics-informed topological neural networks for learning rigid body dynamics [6.675805308519987]
  剛体力学と学習衝突相互作用をモデル化するための新しい枠組みを提案する。 そこで本研究では,物理法則を直接モデルに組み込む物理インフォームドメッセージパッシングニューラルアーキテクチャを提案する。 この研究は、様々な科学的・工学的な領域にまたがる応用において、マルチエンタリティ・ダイナミックな相互作用の課題に対処する。
  論文  参考訳（メタデータ） (2024-11-18T11:03:15Z)
• PIETRA: Physics-Informed Evidential Learning for Traversing Out-of-Distribution Terrain [35.21102019590834]
  物理インフォームド・エビデンシャル・トラバーサビリティ(英: Physics-Informed Evidential Traversability、略称:PIETRA)は、物理の先行性を直接、明らかなニューラルネットワークの数学的定式化に統合する自己指導型学習フレームワークである。 我々の明らかなネットワークは、学習と物理に基づくアウト・オブ・ディストリビューション・インプットの予測をシームレスに遷移させる。 PIETRAは、大きな分散シフトのある環境における学習精度とナビゲーション性能の両方を改善している。
  論文  参考訳（メタデータ） (2024-09-04T18:01:10Z)
• Neural Operator: Is data all you need to model the world? An insight into the impact of Physics Informed Machine Learning [13.050410285352605]
  我々は、データ駆動アプローチが、工学や物理学の問題を解決する従来の手法を補完する方法についての洞察を提供する。 我々は,PDE演算子学習の解演算子を学習するための,新しい,高速な機械学習に基づくアプローチを強調した。
  論文  参考訳（メタデータ） (2023-01-30T23:29:33Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• 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)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)
• Data-Driven Continuum Dynamics via Transport-Teleport Duality [0.0]
  古典力学を表現するための巧妙な数学的変換を,量の消失と再出現のポイントワイズなプロセスとして導入する。 実世界のオブジェクトのダイナミクスを学ぶのに、観測データと単純な学習モデルだけで十分であることを示す。
  論文  参考訳（メタデータ） (2020-05-27T13:39:09Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。