大規模な時空混沌のデータ主導の予測は,分散した低次元モデルを用いて行われます

科学分野:

• 計算物理学の物理
• 流体力学 流体力学
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) というものです.

背景:

• 乱流のようなシステムにおける時空的混沌は,有限次元のアトラクターにしばしば存在する.
• これらのアトラクターの高次元性は,縮小型モデルを訓練するために大規模なデータセットを必要とします.
• 大規模なシステムにおけるドメインサイズは,しばしばアトラクター寸法の線形的な増加につながり,挑戦をもたらします.

研究 の 目的:

• 空間的に拡張されたシステムを分解することによって,局所的な縮小型モデルを構築するための枠組みを開発する.
• 複雑なシステムにおける高次元性に関連したデータ負荷を克服するために.
• 空間時間的なカオスを持つシステムの正確なモデリングを可能にします.

主な方法:

• 空間的に拡張されたシステムを局所的なパッチに分解する.
• 各パッチ内の寸法縮小のためにオートエンコーダーを使用します.
• 局所時間動態学習のためのニューラル普通微分方程式の採用.

主要な成果:

• フレームワークをKuramoto-Sivashinsky方程式と2DKolmogorovフローにうまく適用しました.
• 最大2桁のサイズ縮小を達成しました.
• システムの短期的動態と長期的統計の両方を正確に捉えました.

結論:

• 開発されたフレームワークは,空間的に拡張されたシステムの局所的な縮小型モデルを効果的に構築します.
• このアプローチは,複雑なダイナミクスのモデリングの精度を維持しながら,次元性を大幅に削減します.
• このフレームワークは,物理学や工学の分散型偏微分方程式に広く適用できます.