[論文レビュー] Physics-Informed Machine Learning On Polar Ice: A Survey

Zesheng Liu, Younghyun Koo+1 more|arXiv (Cornell University)|Apr 30, 2024

Arctic and Antarctic ice dynamics被引用数 5

ひとこと要約

物理情報機械学習（PIML）を用いた極地の氷に関する包括的な調査。物理的な氷のモデルとデータ駆動学習を組み合わせる方法を詳述し、課題と機会を整理する。

ABSTRACT

The mass loss of the polar ice sheets contributes considerably to ongoing sea-level rise and changing ocean circulation, leading to coastal flooding and risking the homes and livelihoods of tens of millions of people globally. To address the complex problem of ice behavior, physical models and data-driven models have been proposed in the literature. Although traditional physical models can guarantee physically meaningful results, they have limitations in producing high-resolution results. On the other hand, data-driven approaches require large amounts of high-quality and labeled data, which is rarely available in the polar regions. Hence, as a promising framework that leverages the advantages of physical models and data-driven methods, physics-informed machine learning (PIML) has been widely studied in recent years. In this paper, we review the existing algorithms of PIML, provide our own taxonomy based on the methods of combining physics and data-driven approaches, and analyze the advantages of PIML in the aspects of accuracy and efficiency. Further, our survey discusses some current challenges and highlights future opportunities, including PIML on sea ice studies, PIML with different combination methods and backbone networks, and neural operator methods.

研究の動機と目的

• 極地の氷動力学の研究動機と全球気候および海面上昇への影響を明らかにする。
• 陸氷と海氷に用いられる従来の物理モデルとデータ駆動モデルをレビューする。
• 極地の氷における物理情報機械学習法の分類法を提案する。
• 極地の氷分野におけるPIMLの利点・限界・将来の機会を分析する。

提案手法

• PIMLアプローチを三つの統合手法に分類する：物理情報付き損失関数、物理認識型モデルアーキテクチャ、物理情報付き訓練戦略。
• 陸氷と海氷を支配する物理法則（質量・運動量保存、 EVP、海氷ダイナミクス）とその計算表現を概観する。
• 陸氷と海氷のトピックに適用されたデータ駆動モデル（MLP、CNN、RNN、GNN、GAN）をレビューする。
• 物理ベース、データ駆動、PIMLの方法を比較し、精度と効率の含意を強調する。
• 極地地域におけるPIMLの使用を示すケーススタディと方法論的実例を論じる。

実験結果

リサーチクエスチョン

• RQ1 極地の氷に適用された既存の物理情報機械学習アプローチは何か。
• RQ2 物理情報法と従来の物理的・データ駆動モデルを、極地の問題の精度と効率の点でどう比較できるか。
• RQ3 陸氷と海氷の文脈におけるPIMLの主な課題と将来の機会は何か。
• RQ4 物理の組み込み方で極地氷PIML法を最もよく整理する分類法は何か。
• RQ5 本分野での新たな方向性（例：ニューラル演算子、バックボーン、組み合わせ戦略）は何か。

主な発見

• PIMLは物理法則を制約として活用し、データ駆動学習の利点を取り込みつつ物理的に意味のある予測を保証する。
• 代表的な統合方法は、損失関数の調整、アーキテクチャの調整、訓練戦略の設計の三つである。
• 海氷と陸氷のモデリングには複雑な物理（ストークス流、BP、SSA、SIA、EVP定式化）が関与し、モデル選択と計算コストに影響を与える。
• データ駆動モデル（MLP、CNN、RNN、GNN、GAN）は氷厚、濃度、前線検出、氷流のエミュレーションなどに適用されており、データ要件は様々である。
• 調査は極地のデータ不足や計算コストといった課題を指摘し、ニューラル演算子やマルチフィデリティデータ融合といった機会を論じる。