[論文レビュー] Integrating Scientific Knowledge with Machine Learning for Engineering and Environmental Systems

Jared Willard, Xiaowei Jia+3 more|arXiv (Cornell University)|Mar 10, 2020

Computational Physics and Python Applications被引用数 65

ひとこと要約

本論文は、工学・環境システムにおける物理指向MLを調査し、科学的知識と機械学習を統合するための方法論の分類、適用目的、および将来の研究ギャップを提案する。

ABSTRACT

There is a growing consensus that solutions to complex science and engineering problems require novel methodologies that are able to integrate traditional physics-based modeling approaches with state-of-the-art machine learning (ML) techniques. This paper provides a structured overview of such techniques. Application-centric objective areas for which these approaches have been applied are summarized, and then classes of methodologies used to construct physics-guided ML models and hybrid physics-ML frameworks are described. We then provide a taxonomy of these existing techniques, which uncovers knowledge gaps and potential crossovers of methods between disciplines that can serve as ideas for future research.

研究の動機と目的

• 環境・工学システムにおける科学的知識とMLを統合する技術の構造化された概観を提供する。
• これらのアプローチが用いられてきた適用志向の目的領域を要約する。
• 物理-ML手法の分類体系を説明し、知識のギャップと学際的機会を特定する。
• 性能・効率・発見を向上させるために機械的モデルとMLを組み合わせる動機を強調する。

提案手法

• 環境および工学領域における物理指向ML、物理情報ML、および関連用語の既存文献をレビューする。
• 適用志向の目的とML統合手法ごとにアプローチを整理する。
• 目的を手法・損失関数・初期化・アーキテクチャに結びつける分類を開発する。
• 将来の研究を指針とするクロスファertilization機会とギャップを議論する。
• ML研究者に情報を提供するため、分野別の適用例と動向を要約する。

実験結果

リサーチクエスチョン

• RQ1 工学・環境システムにおいて物理-ML統合を動機づける主要な適用志向の目的は何か。
• RQ2 これらの目的を達成するために科学的知識とMLはどのように組み合わされる（損失関数・アーキテクチャ・初期化）か。
• RQ3 現在のアプローチにどのようなギャップが存在し、学際的機会はどこにあるか。
• RQ4 この分類体系が物理-guided ML の今後の研究と実践をどのように導くことができるか。

主な発見

• 最近数年間、物理情報MLに関する論文が急速に増加しており、関心と勢いの高まりを示している。
• 分類体系は知識ギャップと学際間の潜在的なクロスオーバーを明らかにし、今後の研究の刺激となりうる。
• 物理指向MLは機械的モデルとデータ駆動法を組み合わせることで予測精度・データ効率・一般化性を向上させることができる。
• 調査対象の適用分野は環境、気候、水文学、乱流、化学、生物学、工学分野に及び、広範な関連性を示している。
• 物理をMLに統合することで、予測の物理的一貫性と不確実性の問題に対処できる。