[논문 리뷰] Using Machine Learning for Model Physics: an Overview

Vladimir M. Krasnopolsky, Belochitski, Aleksei A.|arXiv (Cornell University)|2020. 02. 02.

Computational Physics and Python Applications참고 문헌 39인용 수 4

한 줄 요약

이 논문은 기상 및 해양 시뮬레이션에서 모델 물리학을 향상시키기 위해 기계학습(ML)을 사용하는 종합적인 개요를 제시한다. 연구에서는 물리적 파rameterization을 표현하기 위한 일반적인 수학적 프레임워크인 '매핑'을 도입하고, 물리적 제약 조건을 유지하면서 정확도를 향상시키는 동시에 이러한 매핑을 모의하거나 근사화하는 데 기계학습 기법을 검토한다.

ABSTRACT

In the overview, a generic mathematical object (mapping) is introduced, and its relation to model physics parameterization is explained. Machine learning (ML) tools that can be used to emulate and/or approximate mappings are introduced. Applications of ML to emulate existing parameterizations, to develop new parameterizations, to ensure physical constraints, and control the accuracy of developed applications are described. Some ML approaches that allow developers to go beyond the standard parameterization paradigm are discussed.

연구 동기 및 목표

• 기상 및 해양 모델의 모델 물리학 파arameterization을 표현하기 위한 통합된 수학적 프레임워크인 '매핑'을 수립하기 위해.
• 기후 모델 내 복잡한 물리적 매핑을 모의하거나 근사화할 수 있는 기계학습 도구를 식별하고 평가하기 위해.
• 伝통적인 경험적 접근 방식을 초월하여 새로운 더 정확한 파arameterization을 개발하는 데 기계학습을 활용할 수 있는 방법을 탐색하기 위해.
• 기계학습 기반 파arameterization에서 물리적 일관성과 제약 조건 준수를 확보하여 비물리적 행동을 방지하기 위해.
• 데이터 기반, 물리 기반 기계학습 기법을 통해 기후 모델 시뮬레이션의 정확도와 신뢰성을 향상시키기 위해.

제안 방법

• 대규모 모델 변수와 미세구조 물리 과정 간의 관계를 표현하기 위해 일반적인 수학적 객체인 '매핑'을 도입한다.
• 기후 모델 내에서 복잡한 비선형 매핑을 근사하는 데 적합한 다양한 기계학습 모델(예: 신경망, 가우시안 프로세스)을 검토한다.
• 고해상도 시뮬레이션 또는 관측 데이터로부터 학습하여 기존 파arameterization을 대체하거나 개선하기 위해 기계학습을 활용한다.
• 보존 법칙, 단조성 등 물리적 제약 조건을 기계학습 모델의 인덕티브 바이어스로 활용하여 물리적으로 타당한 출력을 보장한다.
• 데이터 적합성과 물리 일관성을 모두 반영하는 손실 함수를 사용하여 모델 물리학을 위한 기계학습 모델을 훈련시킨다.
• 표준 파arameterization 패러다임을 초월하기 위해 물리 기반 신경망 및 미분 가능 물리학과 같은 고급 기계학습 접근법을 논의한다.

실험 결과

연구 질문

• RQ1 기계학습을 어떻게 체계적으로 기후 모델의 모델 물리학 파arameterization을 표현하고 향상시키는 데 적용할 수 있는가?
• RQ2 기상 및 해양 시스템 내에서 복잡한 비선형 물리적 매핑을 근사하는 데 가장 효과적인 기계학습 모델은 무엇인가?
• RQ3 물리적 제약 조건을 어떻게 기계학습 모델에 통합하여 기본 물리 법칙과의 일관성을 확보할 수 있는가?
• RQ4 기계학습 기반 파arameterization은 정확도와 일반화 능력 측면에서 전통적인 경험적 파arameterization을 초월할 수 있는가?
• RQ5 기계학습 기법을 사용해 표준 파arameterization 패러다임을 넘어서는 데 있어 한계와 기회는 무엇인가?

주요 결과

• 매핑 프레임워크는 모델 물리학을 표현하는 데 통합된 수학적 언어를 제공하며, 기계학습 기법의 체계적 적용을 가능하게 한다.
• 전방향 신경망과 가우시안 프로세스와 같은 기계학습 모델은 기존 파arameterization을 매우 높은 정확도로 효과적으로 모의할 수 있다.
• 기계학습 모델에 물리적 제약 조건을 통합하면 특히 외삽 시나리오에서 신뢰성과 일반화 능력이 크게 향상된다.
• 물리 기반 기계학습 접근법은 데이터 기반이면서도 보존 법칙과 열역학 원칙과 일치하는 파arameterization을 생성할 수 있다.
• 기계학습 기반 파arameterization은 전체 고해상도 모델링이 필요 없이도 기후 모델의 편향을 줄이고 시뮬레이션의 정밀도를 향상시킬 잠재력을 보이고 있다.
• 논문은 기계학습을 운영 모델 물리학에 구현할 때의 주요 과제로 해석 가능성, 불확실성 정량화, 계산 비용을 규명한다.