Scheminė PerRCNN architektūra. Kreditas: UCAS Prof. Liu Yang iš Kinijos mokslų akademijos universiteto (UCAS), bendradarbiaudama su kolegomis iš Kinijos Renmino universiteto ir Masačusetso technologijos instituto, pasiūlė naują tinklą, ty fizikoje užkoduotą pasikartojantį konvoliucinį neuronų tinklą (PeRCNN). ), skirtas netiesinių erdvinių ir laiko dinaminių sistemų modeliavimui ir atradimui, remiantis retais ir triukšmingais duomenimis.
Šis metodas gali būti taikomas įvairioms problemoms, tokioms kaip reakcijos difuzijos procesai ir kitos dalinės diferencialinės lygties (PDE) sistemos, įskaitant tiesioginę ir atvirkštinę analizę, duomenimis pagrįstą modeliavimą ir PDE atradimą. Ankstesnės fizikos žinios yra priverstinai „užkoduotos“, o tai suteikia tinklui aiškinimo.
Visų pirma, mokslininkai pasiūlė gilaus mokymosi sistemą, kuri priverstinai koduoja tam tikrą fizikos struktūrą pasikartojančiame konvoliuciniame neuroniniame tinkle, kad būtų lengviau mokytis erdvės ir laiko dinamikos retais duomenų režimais. Straipsnis publikuojamas žurnale Gamtos mašinos intelektas.
Jie nustatė, kad tokia skaičiavimo paradigma pasižymi dideliu tikslumu, tvirtumu, aiškinamumu ir apibendrinamamumu, ir pademonstravo siūlomos tinklo architektūros galimybes, taikydamas ją įvairioms užduotims moksliniam erdvėlaikinės dinamikos modeliavimui, pavyzdžiui, reakcijos ir difuzijos procesams.
Apskritai sudėtingų erdvėlaikinių dinaminių sistemų evoliucijos numatymas daugeliu atvejų yra sudėtinga užduotis dėl nepakankamų išankstinių žinių ir aiškios PDE formuluotės trūkumo, kad būtų galima apibūdinti netiesinį sistemos kintamųjų procesą. Įprasti mašininio mokymosi metodai turi remtis dideliu treniruočių duomenų kiekiu ir kenčia nuo tokių problemų kaip prastas aiškinamumas, silpnas apibendrinimas ir nekontroliuojamos modeliavimo klaidos.
Numatymo ir ekstrapoliuotų momentinių vaizdų iš kiekvieno duomenimis pagrįsto modelio klaidų plitimo kreivė, palyginti su etaloniniu sprendimu. Kreditas: UCAS Dėl pastaruoju metu plėtojamų duomenimis pagrįstų metodų, iš matavimo duomenų galima išmokti erdvės ir laiko dinamikos, kartu pridedant ankstesnių fizikos žinių. Tačiau esamos fizikos pagrindu sukurtos mašininio mokymosi paradigmos nustato fizikinius dėsnius arba valdymo lygtis taikydamos švelnius baudos apribojimus, o sprendimo kokybė daugiausia priklauso nuo tinkamo hiperparametrų nustatymo bandymų ir klaidų būdu. Todėl labai svarbu sukurti naują žiniomis integruotą mokymosi modelį, kad iš duomenų būtų galima sužinoti pagrindinę erdvėlaikinę dinamiką.
Pasak tyrėjų, pagrindinis PeRCNN pranašumas yra tas, kad ankstesnės fizikos žinios gali būti užkoduotos tinkle, o tai garantuoja, kad gautas tinklas griežtai laikosi duotos fizikos. Tai turi didelių pranašumų gerinant modelio konvergenciją ir tikslumą. Užkodavus pateiktą fizinę struktūrą į pasikartojantį konvoliucinį neuronų tinklą, buvo pagerintas erdvinių ir laiko dinaminių sistemų modeliavimas, pagrįstas retais ir triukšmingais duomenimis.
Atlikdami išsamius skaitmeninius eksperimentus, jie parodė, kaip siūlomas metodas gali būti pritaikytas modeliuojant ir atrandant įvairius reakcijos difuzijos procesus ir kitas PDE sistemas. Palyginus siūlomą metodą su kai kuriais esamais metodais (taip pat žinomais kaip baziniai modeliai), jie nustatė, kad metodas nuolat pranoksta (nors ir ne taip gerai) svarstomas bazines linijas esant skirtingiems triukšmo lygiams ir duomenų gausumui.
Be to, mokslininkai integravo retos regresijos metodą su PeRCNN modeliu, kad atrastų aiškią PDE formą. Visą procedūrą sudaro trys etapai: duomenų atkūrimas, reta regresija ir tikslus koeficientų derinimas.
Valdančių PDE atradimo schema. Kreditas: UCAS Tikimasi, kad šis tyrimas paskatins sudėtingų erdvėlaikinių dinaminių sistemų duomenimis pagrįsto modeliavimo plėtrą, suteikiant mokslininkams ir inžinieriams galingesnius įrankius gamtos ir inžinerijos reiškiniams suprasti ir numatyti.
Tikimasi, kad metodas, apjungiantis gilų mokymąsi ir ankstesnes fizikos žinias, bus taikomas keliose disciplinose ir vaidins svarbų vaidmenį, įskaitant skysčių mechaniką, biochemiją, aplinkos mokslą, inžineriją, medžiagų mokslą ir kt.
Tyrėjai nekantriai laukia tolesnio šio naujo požiūrio tobulinimo ir taikymo, kuris gali atskleisti daugiau paslapčių apie sudėtingas erdvėlaikines dinamines sistemas ir atneš naujų laimėjimų būsimai mokslo ir technologijų plėtrai.
Daugiau informacijos: Chengping Rao ir kt., Fizikos kodavimas norint išmokti reakcijos ir difuzijos procesus, Gamtos mašinos intelektas (2023). DOI: 10.1038/s42256-023-00685-7
Citata: Naujas fizikoje užkoduotas dirbtinio intelekto modelis padeda išmokti erdvėlaikio dinamikos (2023 m. rugpjūčio 4 d.), gautas 2023 m. rugpjūčio 4 d. iš https://techxplore.com/news/2023-08-physics-encoded-artificial-intelligence-spatiotemporal-dynamics. html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
