A Mass-Conserving-Perceptron for Machine Learning-Based Modeling of Geoscientific Systems

要約

地球科学システムの時系列進化を予測するための物理概念 (PC) モデルの構築に何十年もの努力が費やされてきましたが、最近の研究では、機械学習 (ML) ベースのゲートリカレント ニューラル ネットワーク テクノロジーを使用して、次のようなモデルを開発できることが示されています。
はるかに正確です。
ただし、ML ベースのモデルから物理的な理解を引き出すのは難しいため、システムの構造と機能に関する科学的知識を高めるためのモデルの有用性は複雑になります。
ここでは、PC ベースのモデリング アプローチと ML ベースのモデリング アプローチの間のギャップを埋める方法として、物理的に解釈可能な質量保存パーセプトロン (MCP) を提案します。
MCP は、PC モデルと GRNN の両方の基礎となる有向グラフ構造間の固有の同型性を利用して、物理プロセスの質量保存の性質を明示的に表現すると同時に、そのようなプロセスの機能的性質を、次の方法を使用して利用可能なデータから (解釈可能な方法で) 直接学習できるようにします。
既製の ML テクノロジー。
概念実証として、MCP の機能的表現力 (能力) を調査し、リーフ川流域の降雨流出 (RR) ダイナミクスを倹約的に表現する MCP の能力を調査し、科学的仮説検証におけるその有用性を実証します。
結論として、地球科学システムを通る質量エネルギー情報の流れの結合された性質の ML ベースの物理概念表現を可能にする概念の拡張について説明します。

要約(オリジナル)

Although decades of effort have been devoted to building Physical-Conceptual (PC) models for predicting the time-series evolution of geoscientific systems, recent work shows that Machine Learning (ML) based Gated Recurrent Neural Network technology can be used to develop models that are much more accurate. However, the difficulty of extracting physical understanding from ML-based models complicates their utility for enhancing scientific knowledge regarding system structure and function. Here, we propose a physically-interpretable Mass Conserving Perceptron (MCP) as a way to bridge the gap between PC-based and ML-based modeling approaches. The MCP exploits the inherent isomorphism between the directed graph structures underlying both PC models and GRNNs to explicitly represent the mass-conserving nature of physical processes while enabling the functional nature of such processes to be directly learned (in an interpretable manner) from available data using off-the-shelf ML technology. As a proof of concept, we investigate the functional expressivity (capacity) of the MCP, explore its ability to parsimoniously represent the rainfall-runoff (RR) dynamics of the Leaf River Basin, and demonstrate its utility for scientific hypothesis testing. To conclude, we discuss extensions of the concept to enable ML-based physical-conceptual representation of the coupled nature of mass-energy-information flows through geoscientific systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google