GrINd: Grid Interpolation Network for Scattered Observations

要約

まばらで散在した観測データから時空間物理システムの進化を予測することは、さまざまな科学分野で大きな課題となっています。
従来の手法は、高密度のグリッド構造のデータに依存しているため、観測値がまばらなシナリオへの適用が制限されています。
この課題に対処するために、フーリエ補間層を使用して散乱観測を高解像度グリッドにマッピングすることで、グリッドベースのモデルの高性能を活用する新しいネットワーク アーキテクチャである GrINd (散乱観測用グリッド補間ネットワーク) を導入します。
高解像度空間では、NeuralPDE クラスのモデルが、微分可能な ODE ソルバーとシステムのダイナミクスをパラメータ化する完全畳み込みニューラル ネットワークを使用して、将来の時点でのシステムの状態を予測します。
私たちは、分散した場所で観察された 6 つの異なる物理システムで構成される DynaBench ベンチマーク データセットで GrINd を実証的に評価し、既存のモデルと比較して最先端のパフォーマンスを実証します。
GrINd は、まばらで散在した観測データから物理システムを予測するための有望なアプローチを提供し、利用可能なデータが限られている現実世界のシナリオへの深層学習手法の適用可能性を拡張します。

要約(オリジナル)

Predicting the evolution of spatiotemporal physical systems from sparse and scattered observational data poses a significant challenge in various scientific domains. Traditional methods rely on dense grid-structured data, limiting their applicability in scenarios with sparse observations. To address this challenge, we introduce GrINd (Grid Interpolation Network for Scattered Observations), a novel network architecture that leverages the high-performance of grid-based models by mapping scattered observations onto a high-resolution grid using a Fourier Interpolation Layer. In the high-resolution space, a NeuralPDE-class model predicts the system’s state at future timepoints using differentiable ODE solvers and fully convolutional neural networks parametrizing the system’s dynamics. We empirically evaluate GrINd on the DynaBench benchmark dataset, comprising six different physical systems observed at scattered locations, demonstrating its state-of-the-art performance compared to existing models. GrINd offers a promising approach for forecasting physical systems from sparse, scattered observational data, extending the applicability of deep learning methods to real-world scenarios with limited data availability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google