Oct, 2023

物理感知机器学习改变机器学习和基于过程的水文学科范式

PDF
TL;DR准确的水文认识和水循环预测对于解决水资源管理中的科学和社会挑战至关重要，特别是在人为气候变化的动态影响下。我们介绍了物理感知机器学习作为一种改变性方法，旨在克服水文学和机器学习的观念障碍，并革命化这两个领域。通过综述物理感知机器学习方法，我们建立了一个结构化的方法库，将先前的物理知识或基于物理建模的方法融合到机器学习中。我们首先对水文学中的物理感知机器学习进行了系统回顾，包括降雨径流模型和水动力学过程，并突出了不同目标和物理感知机器学习方法的最有前景和具有挑战性的方向。最后，我们发布了一个基于物理感知机器学习的水文学平台，称为 HydroPML，作为水文学应用的基础。HydroPML 增强了机器学习的可解释性和因果关系，并为数字水循环的实现奠定了基础。
hydrological understandingwater cycle predictionmachine learningphysics-aware mlhydropml
发现论文，激发创造
  • 复制研究：物理引导的机器学习增强水文模型

    该研究介绍了一种物理信息驱动的机器学习（PIML）模型，将概念性水文模型的过程理解与机器学习算法的预测效能相结合，在安纳达普尔亚分水汇中应用，表明该模型在预测月流量和实际蒸散发方面的性能优于独立的概念模型和机器学习算法，确保输出的物理一致性。

    Feb, 2024

  • 物理引导机器学习方法在水文学中的应用

    本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

    Dec, 2020

  • 物理学知识驱动的机器学习：问题、方法和应用综述

    本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展，它以物理机制为前提，在模型结构、优化器、推断算法和特定领域的应用（如逆向工程设计和机器人控制）等方面将不同的物理先验形式编码成模型，随着跨领域的研究，增强模型精度，提高效率，并对相关学科领域解决长期存在的问题提供可贵帮助。

    Nov, 2022

  • 将科学知识与机器学习相结合，用于工程和环境系统

    本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

    Mar, 2020

  • 极地冰上的物理感知机器学习：一项调查

    南极冰盖和北极冰盖的大量流失导致海平面上升，海洋环流变化，从而导致沿海洪涝，并危及全球数千万人的家园和生计。为了解决冰川行为的复杂问题，文献中提出了物理模型和数据驱动模型。然而，传统的物理模型在产生高分辨率结果方面存在局限性；另一方面，数据驱动方法需要大量高质量且标记的数据，而这在极地地区很少见。因此，作为一种充分利用物理模型和数据驱动方法优势的有希望的框架，物理顺应机器学习（PIML）在近年来得到广泛研究。本文综述了现有的 PIML 算法，根据融合物理和数据驱动方法的方式提供了自己的分类，并分析了 PIML 在准确性和效率方面的优势。此外，我们的调研还讨论了一些当前的挑战和未来的机会，包括海冰研究中的 PIML、不同组合方法和骨干网络的 PIML 以及神经操作器方法。

    Apr, 2024

  • 物理增强机器学习：动力系统研究的一个立场文件

    本篇综述研究物理增强的机器学习 (PEML) - 也被称为科学机器学习 - 特别关注开发用于解决动力系统挑战的 PEML 策略，讨论了 PEML 方法的三个广泛分类 (物理指导、物理编码和物理信息) 以及在涉及复杂动力系统的工程应用中开发 PEML 策略用于指导高风险决策的优势和挑战。

    May, 2024

  • 机器学习与物理科学

    本文综述了机器学习和物理科学之间的接口，包括机器学习的基本概念，如何用统计物理学理解机器学习方法，机器学习方法在粒子物理学、宇宙学、量子物理学、量子计算和化学、材料物理学中的应用，以及加速机器学习的新型计算架构的研究和开发。

    Mar, 2019

  • 基于数据驱动的具有几何约束的非线性物理系统的计算方法

    该研究介绍了一种将机器学习与传统科学方法相结合的基于数据驱动的框架，将物理学的先验知识与先进的机器学习技术相结合，旨在解决基于第一原理和全力学习方法固有的计算和实际限制。通过嵌入特定于特定类别非线性系统的物理学先验，包括可分离和不可分离的哈密顿系统、双曲型偏微分方程和不可压缩流体动力学，我们的框架展示了四种算法。物理定律的内在结合保留了系统的内在对称性和守恒定律，确保了解的物理合理性和计算效率。这些先验的结合还提高了神经网络的表达能力，使其能够捕捉传统方法常常忽视的物理现象中的复杂模式。因此，尽管依赖于小数据集、短训练周期和小样本量，我们的模型在预测准确性、鲁棒性和预测能力方面优于现有的数据驱动技术，特别是识别训练集中缺失的特征。

    Jun, 2024

  • 物理过程的深度学习：融入先前的科学知识

    用深度学习方法建模复杂现象，以海表温度预测为例，展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型，并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。

    Nov, 2017

  • 物理信息机器学习在动态系统建模和控制中的应用

    本文概述了物理相关机器学习在动态系统建模和控制方面的最新进展、基本概念和方法、工具及应用。

    Jun, 2023