[论文解读] PhICNet: Physics-Incorporated Convolutional Recurrent Neural Networks for Modeling Dynamical Systems.

Priyabrata Saha, Saurabh Dash+1 more|arXiv (Cornell University)|Apr 14, 2020

Time Series Analysis and Forecasting参考文献 26被引用 5

一句话总结

PhICNet 是一种物理信息卷积循环神经网络，可联合预测动力系统的时空演化并识别不可观测的时变外部源。通过将物理偏微分方程（PDE）约束与端到端可训练的循环神经网络（RNN）相结合，该方法实现了高精度的长期预测和源重构。

ABSTRACT

Spatio-temporal dynamics of physical processes are generally modeled using partial differential equations (PDEs). Though the core dynamics follows some principles of physics, real-world physical processes are often driven by unknown external sources. In such cases, developing a purely analytical model becomes very difficult and data-driven modeling can be of assistance. In this paper, we present a hybrid framework combining physics-based numerical models with deep learning for source identification and forecasting of spatio-temporal dynamical systems with unobservable time-varying external sources. We formulate our model PhICNet as a convolutional recurrent neural network (RNN) which is end-to-end trainable for spatio-temporal evolution prediction of dynamical systems and learns the source behavior as an internal state of the RNN. Experimental results show that the proposed model can forecast the dynamics for a relatively long time and identify the sources as well.

研究动机与目标

• 解决在不可观测时变外部源存在的情况下对动力系统进行建模的挑战。
• 开发一种混合框架，将基于物理的偏微分方程（PDE）模型与数据驱动的深度学习相结合。
• 从时空数据中实现系统动态与未知源行为的端到端联合学习。
• 在存在未观测到的外部驱动力的情况下，实现准确的长期预测。

提出的方法

• PhICNet 采用卷积循环神经网络（RNN）架构来建模物理系统的时空演化。
• 该模型将偏微分方程（PDE）的物理约束直接嵌入网络的损失函数和隐藏状态动态中。
• 它将未知外部源视为 RNN 的内部状态，从而实现对动态和源行为的联合学习。
• 该框架可使用观测到的时空数据进行端到端训练，最小化重建误差的同时遵守物理定律。
• RNN 的隐藏状态隐式编码了时变源，从而在推理过程中可实现源的识别。
• 该方法结合了数据驱动模式与物理一致性，以提升泛化能力和长期预测性能。

实验结果

研究问题

• RQ1 当外部源不可观测时，深度学习模型能否准确预测长期时空动态？
• RQ2 神经网络在多大程度上能够推断物理系统中隐藏的时变源的行为？
• RQ3 在数据稀缺的情况下，将物理 PDE 约束融入模型在多大程度上能提升预测精度和泛化能力？
• RQ4 RNN 的内部状态能否被有效用于重构未知的外部驱动力项？
• RQ5 混合物理信息深度学习方法与纯数据驱动或纯解析模型相比表现如何？

主要发现

• PhICNet 即使在外部源不可观测的情况下，也能实现对时空动态的高精度长期预测。
• 该模型通过 RNN 内部状态成功识别并重构了隐藏时变外部源的行为。
• 与纯数据驱动基线相比，引入物理 PDE 约束显著提升了预测的稳定性和准确性。
• 端到端训练方案实现了对动态预测与源重构的联合优化。
• 实验结果表明，PhICNet 在未见系统行为上泛化良好，并在长时间序列上保持低误差。
• 该框架有效平衡了数据驱动学习与物理合理性，从而实现更可靠、可解释的预测。