論文の概要: Physics-Informed Machine Learning On Polar Ice: A Survey

• arxiv url: http://arxiv.org/abs/2404.19536v1
• Date: Tue, 30 Apr 2024 13:12:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 14:05:41.230105
• Title: Physics-Informed Machine Learning On Polar Ice: A Survey
• Title（参考訳）: 極氷上での物理インフォームド機械学習:サーベイ
• Authors: Zesheng Liu, YoungHyun Koo, Maryam Rahnemoonfar,
• Abstract要約: 極地氷床の質量減少は、海面上昇と海洋循環の変化に寄与する。 従来の物理モデルは物理的に意味のある結果を保証することができるが、高解像度の結果を生み出すには限界がある。 データ駆動型アプローチは、極域ではほとんど利用できない大量の高品質なラベル付きデータを必要とする。 近年,物理モデルとデータ駆動手法の利点を活用する有望なフレームワークとして,物理インフォームド機械学習(PIML)が広く研究されている。
• 参考スコア（独自算出の注目度）: 0.6827423171182154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The mass loss of the polar ice sheets contributes considerably to ongoing sea-level rise and changing ocean circulation, leading to coastal flooding and risking the homes and livelihoods of tens of millions of people globally. To address the complex problem of ice behavior, physical models and data-driven models have been proposed in the literature. Although traditional physical models can guarantee physically meaningful results, they have limitations in producing high-resolution results. On the other hand, data-driven approaches require large amounts of high-quality and labeled data, which is rarely available in the polar regions. Hence, as a promising framework that leverages the advantages of physical models and data-driven methods, physics-informed machine learning (PIML) has been widely studied in recent years. In this paper, we review the existing algorithms of PIML, provide our own taxonomy based on the methods of combining physics and data-driven approaches, and analyze the advantages of PIML in the aspects of accuracy and efficiency. Further, our survey discusses some current challenges and highlights future opportunities, including PIML on sea ice studies, PIML with different combination methods and backbone networks, and neural operator methods.
• Abstract（参考訳）: 極地氷床の大量消失は、海面上昇と海洋循環の変化に大きく寄与し、海岸の洪水を引き起こし、世界中の何千万人もの人々の家や生活を危険にさらしている。 氷の挙動の複雑な問題に対処するために、物理モデルとデータ駆動モデルが文献で提案されている。 従来の物理モデルは物理的に意味のある結果を保証することができるが、高解像度の結果を生み出すには限界がある。 一方、データ駆動型アプローチは、極域ではほとんど利用できない大量の高品質なラベル付きデータを必要とする。 したがって、物理モデルとデータ駆動手法の利点を利用する有望なフレームワークとして、近年、物理学情報機械学習(PIML)が広く研究されている。 本稿では、PIMLの既存のアルゴリズムを概観し、物理とデータ駆動アプローチを組み合わせた独自の分類法を提供し、精度と効率の面でのPIMLの利点を分析する。 さらに,海氷研究におけるPIML,異なる組み合わせとバックボーンネットワークを用いたPIML,ニューラルオペレーター手法など,今後の課題について検討した。

関連論文リスト

• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Methods to improve run time of hydrologic models: opportunities and challenges in the machine learning era [0.0]
  機械学習(ML)を水理モデルに応用することは、未熟である。 物理ベースのモデルよりもMLアルゴリズムを採用する主な理由の1つは、計算効率の優位性と様々なデータセットを扱う柔軟性である。 本稿では,水文モデルにMLを採用する機会と課題について述べる。その後,物理モデルによるシミュレーション時間の改善と今後の課題について述べる。
  論文  参考訳（メタデータ） (2024-08-05T05:27:19Z)
• Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
  本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。 本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。 C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
  論文  参考訳（メタデータ） (2024-06-21T19:55:34Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• Differentiable modeling to unify machine learning and physical models and advance Geosciences [38.92849886903847]
  微分可能地科学モデリング(DG)の概念,適用性,意義について概説する。 微分可能(differentiable)とは、モデル変数に関する勾配を正確かつ効率的に計算すること。 予備的な証拠は、DGが機械学習よりも優れた解釈可能性と因果性を提供することを示している。
  論文  参考訳（メタデータ） (2023-01-10T15:24:14Z)
• Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
  本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。 我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-06-30T11:39:12Z)
• When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning [14.296078151381591]
  物理インフォームド機械学習(PIML)は、トレーニングデータの不足を軽減し、モデルの一般化性を高め、結果の物理的妥当性を確保する効果的な方法である。 1)PIMLの動機,(2)PIMLの物理知識,(3)PIMLの物理知識統合の方法の3つの側面から,PIMLにおける最近の多くの研究を概説する。
  論文  参考訳（メタデータ） (2022-03-31T04:58:27Z)
• 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)
• Towards Optimally Weighted Physics-Informed Neural Networks in Ocean Modelling [0.0]
  海流と温度の流れの複雑さを捉えるモデルを開発するには最先端の技術が必要である。 本研究は,海洋モデルに関連する偏微分方程式の解法として物理インフォームドニューラルネットワーク(PINN)の利点について検討する。
  論文  参考訳（メタデータ） (2021-06-16T12:48:13Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。