[論文レビュー] Physics-aware Machine Learning Revolutionizes Scientific Paradigm for Machine Learning and Process-based Hydrology

Qingsong Xu, Yilei Shi+4 more|arXiv (Cornell University)|Oct 8, 2023

Hydrological Forecasting Using AI被引用数 15

ひとこと要約

この論文は、ハイドロロジーのための物理認識型機械学習（PaML）を概念化し、方法を分類（物理データ指向ML、物理情報 ML、物理埋め込み ML、物理認識ハイブリッド学習）、および機械学習とプロセスベースの水文学を橋渡しするオープンソースプラットフォームとしてHydroPMLを紹介する。

ABSTRACT

Accurate hydrological understanding and water cycle prediction are crucial for addressing scientific and societal challenges associated with the management of water resources, particularly under the dynamic influence of anthropogenic climate change. Existing reviews predominantly concentrate on the development of machine learning (ML) in this field, yet there is a clear distinction between hydrology and ML as separate paradigms. Here, we introduce physics-aware ML as a transformative approach to overcome the perceived barrier and revolutionize both fields. Specifically, we present a comprehensive review of the physics-aware ML methods, building a structured community (PaML) of existing methodologies that integrate prior physical knowledge or physics-based modeling into ML. We systematically analyze these PaML methodologies with respect to four aspects: physical data-guided ML, physics-informed ML, physics-embedded ML, and physics-aware hybrid learning. PaML facilitates ML-aided hypotheses, accelerating insights from big data and fostering scientific discoveries. We first conduct a systematic review of hydrology in PaML, including rainfall-runoff hydrological processes and hydrodynamic processes, and highlight the most promising and challenging directions for different objectives and PaML methods. Finally, a new PaML-based hydrology platform, termed HydroPML, is released as a foundation for hydrological applications. HydroPML enhances the explainability and causality of ML and lays the groundwork for the digital water cycle's realization. The HydroPML platform is publicly available at https://hydropml.github.io/.

研究の動機と目的

• PaML 手法を構造化することにより、物理ベースの水文学と機械学習の知識ギャップを埋める。
• 水文学の文脈において、4つのカテゴリーにわたるPaMLアプローチを体系的に分析する。
• 水文学におけるPaMLの水理ダイナミクスと降水-流出過程への適用を評価する。
• PaMLベースの水文学アプリケーションを可能にするオープンソースプラットフォームとして HydroPML を提案する。

提案手法

• PaML を定義し、アプローチを physical data-guided ML、physics-informed ML、physics-embedded ML、そして physics-aware hybrid learning に分類する。
• 神経ネットワーク、深層演算子ネットワーク、および物理発見モデルにまたがる例を含む PaML 手法の体系的レビューを提供する。
• PaML の水理動力学と降雨-流出過程の適用を分析し、目的と方法で分類する。
• プロセスベースの水文学におけるPaMLの有望な方向性と課題を浮き彫りにする。
• PaMLベースの水文学アプリケーションとリアルタイム洪水予測の基盤として HydroPML を紹介する。

実験結果

リサーチクエスチョン

• RQ1 水文学における物理とMLを統合する主な PaML パラダイムは何か？
• RQ2 PaML 手法は水理動力学および降雨-流出過程の両方でどのように機能しますか？
• RQ3 プロセスベースの水文学における PaML の有望な方向性と残される課題は何か？
• RQ4 オープンソースプラットフォーム（HydroPML）は水文学における PaML の普及をどのように促進できますか？

主な発見

• PaML は four groups に分類される: physical data-guided ML、physics-informed ML、physics-embedded ML、そして physics-aware hybrid learning。
• 水文学における PaML の体系的レビューが実施され、水理動力学および降雨-流出過程に焦点を当てる。
• HydroPML は水系における解釈性、因果性、およびリアルタイム予測を強化するオープンソースの水文学プラットフォームとして公開されている。
• 本論文は、PaML が ML支援による仮説の形成を可能にし、水文学におけるビッグデータの活用をより良くすることで、科学的洞察を加速できることを強調している。
• 本研究は PaML 手法内の異なる適用目的に対する有望な方向性と課題を概説する。