論文の概要: Physics-Informed Deep Learning to Reduce the Bias in Joint Prediction of
Nitrogen Oxides
- arxiv url: http://arxiv.org/abs/2308.07441v1
- Date: Mon, 14 Aug 2023 20:26:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 14:49:44.569874
- Title: Physics-Informed Deep Learning to Reduce the Bias in Joint Prediction of
Nitrogen Oxides
- Title(参考訳): 窒素酸化物の合同予測におけるバイアス低減のための物理インフォームド深層学習
- Authors: Lianfa Li, Roxana Khalili, Frederick Lurmann, Nathan Pavlovic, Jun Wu,
Yan Xu, Yisi Liu, Karl O'Sharkey, Beate Ritz, Luke Oman, Meredith Franklin,
Theresa Bastain, Shohreh F. Farzan, Carrie Breton, Rima Habre
- Abstract要約: 吸着拡散機構と流体力学制約を符号化し,NO2とNOxを共同で予測する物理インフォームド・ディープラーニング・フレームワークを提案する。
我々の手法は純粋にデータ駆動型ML法よりも有意であり、NO2とNOxの予測では前例のない偏差が減少する。
- 参考スコア(独自算出の注目度): 5.04532074162313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Atmospheric nitrogen oxides (NOx) primarily from fuel combustion have
recognized acute and chronic health and environmental effects. Machine learning
(ML) methods have significantly enhanced our capacity to predict NOx
concentrations at ground-level with high spatiotemporal resolution but may
suffer from high estimation bias since they lack physical and chemical
knowledge about air pollution dynamics. Chemical transport models (CTMs)
leverage this knowledge; however, accurate predictions of ground-level
concentrations typically necessitate extensive post-calibration. Here, we
present a physics-informed deep learning framework that encodes
advection-diffusion mechanisms and fluid dynamics constraints to jointly
predict NO2 and NOx and reduce ML model bias by 21-42%. Our approach captures
fine-scale transport of NO2 and NOx, generates robust spatial extrapolation,
and provides explicit uncertainty estimation. The framework fuses
knowledge-driven physicochemical principles of CTMs with the predictive power
of ML for air quality exposure, health, and policy applications. Our approach
offers significant improvements over purely data-driven ML methods and has
unprecedented bias reduction in joint NO2 and NOx prediction.
- Abstract(参考訳): 主に燃料燃焼による窒素酸化物(NOx)は、急性で慢性的な健康と環境効果を認識している。
機械学習(ML)法は,高時空間分解能で地上レベルのNOx濃度を予測する能力を大幅に向上させたが,大気汚染の物理的および化学的知識が欠如しているため,高い推定バイアスを被る可能性がある。
化学輸送モデル(CTM)はこの知識を活用するが、地上レベルの濃度の正確な予測は通常、大規模な校正後を必要とする。
本稿では,NO2 と NOx を共同で予測し,ML モデルのバイアスを 21-42% 削減するために,拡散拡散機構と流体力学の制約を符号化した物理インフォームドディープラーニングフレームワークを提案する。
提案手法は,NO2とNOxの微細輸送を捕捉し,頑健な空間外挿を発生させ,明確な不確かさを推定する。
この枠組みは、CTMの知識駆動の物理化学的原理と、大気汚染、健康、政策適用のためのMLの予測力とを融合させる。
提案手法は純粋にデータ駆動型ML法よりも大幅に改善され,NO2およびNOx予測における前例のないバイアス低減を実現している。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T09:01:36Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳(メタデータ) (2024-08-27T15:03:20Z) - Kinematics Modeling of Peroxy Free Radicals: A Deep Reinforcement Learning Approach [0.0]
対流圏オゾンは喘息、気管支炎、肺機能障害などの健康問題と関連している。
ペルオキシラジカルがNOと反応する速度は、対流圏オゾンの全体形成と枯渇に重要な役割を果たしている。
深部強化学習は、例外的な精度で速度定数の範囲を予測するために用いられた。
論文 参考訳(メタデータ) (2024-04-12T05:51:28Z) - Graph Neural Network Interatomic Potential Ensembles with Calibrated
Aleatoric and Epistemic Uncertainty on Energy and Forces [9.378581265532006]
本稿では,エネルギーと力の正確な予測を行うために,グラフニューラルネットワークアンサンブルモデルのトレーニングと再構成のための完全なフレームワークを提案する。
提案手法は, てんかんとアラート的不確実性の両方を考慮し, 全不確実性はホック後に再検討する。
予測性能と不確実性校正の詳細な解析を行う。
論文 参考訳(メタデータ) (2023-05-10T13:03:06Z) - Clarifying Trust of Materials Property Predictions using Neural Networks
with Distribution-Specific Uncertainty Quantification [16.36620228609086]
不確実性(UQ)手法は、機械学習(ML)モデル予測の信頼性を推定することができる。
本稿では,Open Catalyst 2020データセットから合金上の分子のエネルギーを予測するために応用された様々なUQ法について検討する。
証拠レグレッションは、急速に競争力のあるUQ推定を得るための強力なアプローチであることが示されている。
論文 参考訳(メタデータ) (2023-02-06T07:03:02Z) - Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based
Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。
本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文 参考訳(メタデータ) (2022-09-15T13:52:15Z) - Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。
我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。
以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
論文 参考訳(メタデータ) (2022-04-08T19:19:42Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳(メタデータ) (2022-02-13T04:56:18Z) - Predicting Chemical Hazard across Taxa through Machine Learning [0.3262230127283452]
分類学と実験装置の関連性を分析し,それらを考慮に入れれば,分類性能の大幅な向上が期待できることを示す。
我々は、一般的な機械学習モデル(K-nearest neighbors、ランダムフォレスト、ディープニューラルネットワーク)と、最近提案されたリード・アクロス構造活動関係(RASAR)モデルを用いています。
論文 参考訳(メタデータ) (2021-10-07T15:33:58Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Estimates of daily ground-level NO2 concentrations in China based on big
data and machine learning approaches [2.5426772826778063]
NO2は大気汚染物質の中で最も重要なものの一つである。
現在の地上レベルのNO2濃度データは、高テンポラル・カバーまたは全国規模のフル・カバーの欠如である。
本研究は,中国における地中NO2濃度を,比較的高い空間分解能で推定した初めてのものである。
論文 参考訳(メタデータ) (2020-11-18T00:24:40Z)
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。