[论文解读] 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 5

一句话总结

对极地冰的物理信息机器学习（PIML）的综合综述，详述将物理冰模型与数据驱动学习结合的方法并概述挑战与机会。

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.

研究动机与目标

• 激发对极地冰动态及其对全球气候变化与海平面上升影响的研究。
• 回顾用于陆地冰和海冰的传统物理模型与数据驱动模型。
• 提出极地冰领域物理信息化机器学习方法的分类学。
• 分析PIML在极地冰应用中的优点、局限性与未来机会。

提出的方法

• 将PIML方法分为三种整合方式：物理信息损失函数、物理感知模型架构和物理信息化训练策略。
• 综述支配陆地冰和海冰的物理定律（质量和动量守恒、 EVP、以及海冰动力学）及其计算表示。
• 回顾应用于陆地冰和海冰领域的数据驱动模型（MLP、CNN、RNN、GNN、GAN）。
• 比较基于物理、数据驱动和PIML方法，强调准确性和效率的含义。
• 讨论展示PIML在极地区域应用的案例研究和方法学典范。

实验结果

研究问题

• RQ1 目前应用于极地冰的现有物理信息化机器学习方法有哪些？
• RQ2 在极地冰问题中，物理信息化方法在准确性和效率方面相比传统物理模型与数据驱动模型如何？
• RQ3 在陆地冰和海冰背景下，PIML面临的主要挑战与未来机会是什么？
• RQ4 哪种分类法能最好地按照物理学的融入方式来组织极地冰PIML方法？
• RQ5 该领域的新兴方向有哪些（例如神经算子、骨干网络、组合策略）？

主要发现

• PIML利用物理定律作为约束，确保预测具有物理意义，同时受益于数据驱动学习。
• 三个代表性整合方法是损失函数调优、架构调整和训练策略设计。
• 海冰与陆地冰建模涉及复杂物理（Stokes流、BP、SSA、SIA、EVP形式）影响模型选择和计算成本。
• 数据驱动模型（MLP、CNN、RNN、GNN、GAN）已应用于冰厚、浓度、前缘检测和冰流仿真等领域，数据需求各异。
• 综述强调极地地区数据稀缺和计算成本等挑战，并讨论如神经算子与多保真度数据融合等机会。