論文の概要: Air Quality Prediction with Physics-Informed Dual Neural ODEs in Open Systems
- arxiv url: http://arxiv.org/abs/2410.19892v1
- Date: Fri, 25 Oct 2024 13:56:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-29 12:20:27.427940
- Title: Air Quality Prediction with Physics-Informed Dual Neural ODEs in Open Systems
- Title（参考訳）: 物理インフォームドデュアルニューラルオードを用いたオープンシステムにおける空気質予測
- Authors: Jindong Tian, Yuxuan Liang, Ronghui Xu, Peng Chen, Chenjuan Guo, Aoying Zhou, Lujia Pan, Zhongwen Rao, Bin Yang,
- Abstract要約: 大気汚染は人間の健康と生態系を著しく脅かし、公共政策を知らせるために効果的な大気質予測を必要とする。
伝統的なアプローチは一般に物理学に基づくモデルとデータ駆動モデルに分類される。
本稿では,ニューラルネットワークの2つの枝を統合した新しい物理インフォームドアプローチであるAirDualODEを提案する。
- 参考スコア（独自算出の注目度）: 26.70737906860735
- License:
- Abstract: Air pollution significantly threatens human health and ecosystems, necessitating effective air quality prediction to inform public policy. Traditional approaches are generally categorized into physics-based and data-driven models. Physics-based models usually struggle with high computational demands and closed-system assumptions, while data-driven models may overlook essential physical dynamics, confusing the capturing of spatiotemporal correlations. Although some physics-informed approaches combine the strengths of both models, they often face a mismatch between explicit physical equations and implicit learned representations. To address these challenges, we propose Air-DualODE, a novel physics-informed approach that integrates dual branches of Neural ODEs for air quality prediction. The first branch applies open-system physical equations to capture spatiotemporal dependencies for learning physics dynamics, while the second branch identifies the dependencies not addressed by the first in a fully data-driven way. These dual representations are temporally aligned and fused to enhance prediction accuracy. Our experimental results demonstrate that Air-DualODE achieves state-of-the-art performance in predicting pollutant concentrations across various spatial scales, thereby offering a promising solution for real-world air quality challenges.
- Abstract（参考訳）: 大気汚染は人間の健康と生態系を著しく脅かし、公共政策を知らせるために効果的な大気質予測を必要とする。
伝統的なアプローチは一般に物理学に基づくモデルとデータ駆動モデルに分類される。
物理ベースのモデルは通常高い計算要求と閉系仮定に苦しむが、データ駆動モデルは重要な物理力学を見逃し、時空間相関のキャプチャーを混乱させる。
物理インフォームドアプローチの中には、両方のモデルの強みを組み合わせたものもありますが、明示的な物理方程式と暗黙的な学習表現のミスマッチに直面します。
これらの課題に対処するために、空気質予測のためにニューラルODEの二重分岐を統合する新しい物理インフォームドアプローチであるAir-DualODEを提案する。
第1のブランチは、物理力学を学ぶための時空間的依存関係を捉えるために、オープンシステム物理方程式を適用し、第2のブランチは、完全にデータ駆動の方法で、第1のブランチが対処していない依存関係を特定する。
これらの二重表現は時間的に整列され、予測精度を高めるために融合される。
実験により, 大気中の汚染物質濃度を空間規模で予測し, 実環境における大気質の課題に対して有望な解決策を提供することができた。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Adapting Physics-Informed Neural Networks To Optimize ODEs in Mosquito Population Dynamics [0.019972837513980313]
本稿では,ODE システムの前方および逆問題に対していくつかの改良を加えた PINN フレームワークを提案する。
この枠組みは、蚊の常微分方程式によって生じる勾配不均衡と硬い問題に取り組む。
予備的な結果は、物理インフォームド機械学習が生態システムの研究を前進させる大きな可能性を秘めていることを示している。
論文 参考訳（メタデータ） (2024-06-07T17:40:38Z) - AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality
Prediction [40.58819011476455]
本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。
我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。
2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
論文 参考訳（メタデータ） (2024-02-06T07:55:54Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Physics-Guided Adversarial Machine Learning for Aircraft Systems
Simulation [9.978961706999833]
この研究は、物理誘導型逆機械学習(ML)という新しいアプローチを示し、モデルの物理一貫性に対する信頼性を向上させる。
2つの航空機システムの性能モデルに対する実証的な評価は、我々の敵MLアプローチの有効性を示している。
論文 参考訳（メタデータ） (2022-09-07T19:23:45Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven
Modeling of Air Pollutants [2.578242050187029]
本研究では,マドリードの大気質を研究するためにデータ駆動技術を用いた実証的アプローチを提案する。
汚染物質の濃度と経時変化をモデル化する常微分方程式の擬似系を見いだす。
以上の結果から, 赤池の情報基準は, 最適部分回帰と連動して, スパーシリティと適合の良さの均衡を見出すことが可能であることが示唆された。
論文 参考訳（メタデータ） (2020-10-13T16:46:07Z) - 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)
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。