[논문 리뷰] Physics-aware Machine Learning Revolutionizes Scientific Paradigm for Machine Learning and Process-based Hydrology

Qingsong Xu, Yilei Shi외 4명|arXiv (Cornell University)|2023. 10. 08.

Hydrological Forecasting Using AI인용 수 15

한 줄 요약

이 논문은 수문학에 대한 물리학 기반 ML(PaML)을 개념화하고 검토하며, 방법들을 (physical data-guided ML, physics-informed ML, physics-embedded ML, 그리고 physics-aware hybrid learning)로 분류하고, ML과 프로세스 기반 수문학을 연결하기 위한 오픈 소스 플랫폼 HydroPML을 제시한다.

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/.

연구 동기 및 목표

• physics 기반 수문학과 기계 학습 간의 지식 격차를 PaML 방법론으로 구조화하여桥接한다.
• 수문학 맥락에서 네 가지 범주의 PaML 접근법을 체계적으로 분석한다.
• 유체역학 및 강우-유출 과정에서 PaML 응용을 평가한다.
• HydroPML을 PaML 기반 수문학 응용 및 실시간 홍수 예측을 가능하게 하는 오픈 소스 플랫폼으로 제안한다.

제안 방법

• PaML을 정의하고 접근법을 물리적 데이터 가이드 ML, physics-informed ML, physics-embedded ML, 그리고 physics-aware hybrid learning으로 분류한다.
• 신경망, 심층 연산자 네트워크, 물리 발견 모델에 걸친 예를 포함한 PaML 방법에 대한 체계적 검토를 제공한다.
• 유체역학 및 강우-유출 과정에서 PaML 응용을 분석하여 목표와 방법에 따라 분류한다.
• 프로세스 기반 수문학에서 PaML의 유망한 방향과 도전 과제를 강조한다.
• HydroPML을 PaML 기반 수문학 응용 및 실시간 홍수 예측을 위한 기반으로 소개한다.

실험 결과

연구 질문

• RQ1 수문학에서 물리학과 ML을 통합하기 위해 사용되는 주요 PaML 패러다임은 무엇인가?
• RQ2 PaML 방법은 유체역학 및 강우-유출 과정에서 어떻게 성능을 발휘하는가?
• RQ3 프로세스 기반 수문학에서 PaML의 유망한 방향과 남은 과제는 무엇인가?
• RQ4 오픈 소스 플랫폼(HydroPML)가 수문학에서 PaML 채택을 어떻게 촉진할 수 있는가?

주요 결과

• PaML은 네 가지 그룹으로 분류된다: 물리적 데이터 가이드 ML, physics-informed ML, physics-embedded ML, 그리고 physics-aware hybrid learning.
• 유체역학 및 강우-유출 과정에 초점을 맞춘 수문학에서 PaML에 대한 체계적 검토가 수행된다.
• HydroPML은 물 시스템의 설명 가능성, 인과성, 실시간 예측을 향상시키는 오픈 소스 수문학 플랫폼으로 출시된다.
• PaML은 ML-보조 가설과 빅 데이터의 더 나은 활용을 통해 과학적 통찰을 가속화할 수 있으며, 수문학에서의 연구 가설을 촉진할 수 있다.
• 연구는 PaML 방법의 다양한 응용 목표에 대해 유망한 방향과 도전을 제시한다.