Physics-Based Dynamic Models Hybridisation Using Physics-Informed Neural Networks

要約

物理ベースの動的モデル (PBDM) は、複雑な動的システムを簡略化して表現したものです。
PBDM は、複雑なシステム内の特定のプロセスを取得し、変数のフラグメントと付随するパラメーターのセットを割り当ててプロセスを表現します。
これはシステムの次善のパラメータ化につながることが多いため、主要な課題として、モデルの説明可能性を維持し、予測精度を向上させながら不確実性を低減するために経験的なパラメータと変数を改良することが必要です。
我々は、PBDM と Physics-Informed Neural Networks (PINN) を統合したハイブリッド蚊個体群動態モデルが、経験的な対応物の代わりに PINN で学習したモデル パラメーターを組み込むことにより、PBDM の説明可能性を維持することを実証します。
具体的には、気温、降水量、湿度の複雑で学習された相互作用をエンコードする PINN を使用して、幼虫と蛹の発育速度のパラメーターをモデル化することで、従来の PBDM の限界に対処します。
私たちの結果は、予測が困難な蚊の個体数のピークを含む蚊の個体数シミュレーションの改善を示しています。
これにより、がん増殖などの PBDM に基づく他の複雑なシステムにハイブリッド概念を適用して、希少でノイズの多いデータによってもたらされる課題に対処したり、物理ベースとデータ駆動型の間のギャップを克服する数値天気予報や気候モデリングに適用したりする可能性が開かれます。
天気予報モデル。

要約(オリジナル)

Physics-based dynamic models (PBDMs) are simplified representations of complex dynamical systems. PBDMs take specific processes within a complex system and assign a fragment of variables and an accompanying set of parameters to depict the processes. As this often leads to suboptimal parameterisation of the system, a key challenge requires refining the empirical parameters and variables to reduce uncertainties while maintaining the model s explainability and enhancing its predictive accuracy. We demonstrate that a hybrid mosquito population dynamics model, which integrates a PBDM with Physics-Informed Neural Networks (PINN), retains the explainability of the PBDM by incorporating the PINN-learned model parameters in place of its empirical counterparts. Specifically, we address the limitations of traditional PBDMs by modelling the parameters of larva and pupa development rates using a PINN that encodes complex, learned interactions of air temperature, precipitation and humidity. Our results demonstrate improved mosquito population simulations including the difficult-to-predict mosquito population peaks. This opens the possibility of hybridisation concept application on other complex systems based on PBDMs such as cancer growth to address the challenges posed by scarce and noisy data, and to numerical weather prediction and climate modelling to overcome the gap between physics-based and data-driven weather prediction models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google