Physics-Informed Machine Learning On Polar Ice: A Survey

要約

極地の氷床の大量損失は、進行中の海面上昇と海洋循環の変化に大きく寄与し、沿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ます。
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型モデルが文献で提案されています。
従来の物理モデルは物理的に意味のある結果を保証できますが、高解像度の結果を生成するには限界があります。
一方、データ駆動型のアプローチでは、大量の高品質でラベル付けされたデータが必要ですが、極地ではほとんど入手できません。
そこで、物理モデルとデータ駆動型手法の利点を活用する有望なフレームワークとして、物理情報に基づく機械学習 (PIML) が近年広く研究されています。
この論文では、PIML の既存のアルゴリズムをレビューし、物理学とデータ駆動型アプローチを組み合わせた方法に基づいて独自の分類法を提供し、精度と効率の面で PIML の利点を分析します。
さらに、私たちの調査では、いくつかの現在の課題について議論し、海氷研究に関するPIML、さまざまな組み合わせ手法とバックボーンネットワークを備えたPIML、ニューラルオペレーター手法などの将来の機会に焦点を当てています。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google