Fully Differentiable Lagrangian Convolutional Neural Network for Continuity-Consistent Physics-Informed Precipitation Nowcasting

要約

この論文では、データ駆動型学習と物理学に基づいた領域知識を組み合わせた、降水ナウキャスティングのための畳み込みニューラル ネットワーク モデルを紹介します。
我々は、物理情報に基づいたナウキャスティングのためのラグランジュ ダブル U-Net である LUPIN を提案します。これは、既存の外挿ベースのナウキャスティング手法を利用し、完全微分可能で GPU 高速化された方法でデータのラグランジュ座標系変換を実装し、リアルタイムのナウキャスティングを可能にします。
エンドツーエンドのトレーニングと推論。
私たちの評価に基づくと、LUPIN は選択したベンチマークのパフォーマンスに匹敵し、それを上回っており、他のラグランジュ機械学習モデルへの扉を開きます。

要約(オリジナル)

This paper presents a convolutional neural network model for precipitation nowcasting that combines data-driven learning with physics-informed domain knowledge. We propose LUPIN, a Lagrangian Double U-Net for Physics-Informed Nowcasting, that draws from existing extrapolation-based nowcasting methods and implements the Lagrangian coordinate system transformation of the data in a fully differentiable and GPU-accelerated manner to allow for real-time end-to-end training and inference. Based on our evaluation, LUPIN matches and exceeds the performance of the chosen benchmark, opening the door for other Lagrangian machine learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google