Deep Learning Improvements for Sparse Spatial Field Reconstruction

要約

まばらなデータから地球規模の空間場を正確に再構成することは、地球科学や流体力学などのいくつかの分野で長年の課題となっています。
歴史的に、科学者は複雑な物理モデルを使用して空間フィールドを再構築することで、この問題に取り組んできました。
ただし、これらの方法は多くの場合、大量の計算を必要とします。
機械学習 (ML) の人気の高まりに伴い、何人かの研究者が ML を空間フィールド再構成タスクに適用し、計算効率の向上を観察しました。
arXiv:2101.00554 のそのような方法の 1 つは、センサー位置のスパース マスクとセンサー測定値を含むボロノイ テッセレーションを畳み込みニューラル ネットワークへの入力として利用して、グローバル空間フィールドを再構築します。
この研究では、前述のアプローチに対する複数の調整を提案し、地球科学および流体力学シミュレーション データセットの改善を示します。
提案されている ML ベースの空間フィールド再構成アプローチを使用して、最もメリットが得られるシナリオを特定し、議論します。

要約(オリジナル)

Accurately reconstructing a global spatial field from sparse data has been a longstanding problem in several domains, such as Earth Sciences and Fluid Dynamics. Historically, scientists have approached this problem by employing complex physics models to reconstruct the spatial fields. However, these methods are often computationally intensive. With the increase in popularity of machine learning (ML), several researchers have applied ML to the spatial field reconstruction task and observed improvements in computational efficiency. One such method in arXiv:2101.00554 utilizes a sparse mask of sensor locations and a Voronoi tessellation with sensor measurements as inputs to a convolutional neural network for reconstructing the global spatial field. In this work, we propose multiple adjustments to the aforementioned approach and show improvements on geoscience and fluid dynamics simulation datasets. We identify and discuss scenarios that benefit the most using the proposed ML-based spatial field reconstruction approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google