Une nouvelle approche de modélisation d’apprentissage profond guidée par la mésoscience
La modélisation du Deep Learning intégrant des connaissances physiques est actuellement un sujet brûlant et un certain nombre d’excellentes techniques ont émergé. Le plus connu est celui des réseaux de neurones fondés sur la physique (PINN).
PINN intègre les résidus des équations aux dérivées partielles (PDE) régissant le système et la valeur initiale/conditions aux limites dans la fonction de perte, ainsi le modèle résultant satisfait aux contraintes des lois physiques représentées par les PDE. Cependant, le PINN ne peut pas fonctionner si les équations entre les grandeurs physiques clés du système n’ont pas été établies. Pour modéliser de tels systèmes, de nouvelles méthodes doivent être développées.
MGDL (apprentissage profond guidé par la mésoscience), une approche de modélisation d’apprentissage profond guidée par la mésoscience, a été proposée par Li Guo et d’autres de l’Institut d’ingénierie des procédés (IPE), chinois de l’Académie des sciences (CAS). L’article est publié dans la revue Ingénierie.
La mésoscience est une méthodologie permettant d’aborder des complexités à plusieurs niveaux. Il se concentre sur l’étude des problèmes à méso-échelle à différents niveaux et corrèle le comportement à l’échelle macro et les mécanismes intrinsèques d’un système au moyen du principe de compromis en compétition (CIC) entre mécanismes dominants.
Lors de l’établissement d’un ensemble de données d’échantillon basé sur les mêmes données d’évolution du système, différent du fonctionnement de la méthode conventionnelle d’apprentissage en profondeur, MGDL introduit le traitement des mécanismes dominants d’un système complexe et des interactions entre eux, selon le principe de mésoscience CIC.
Les contraintes mésosciences sont ensuite intégrées dans la fonction de perte pour guider la formation en deep learning.
Deux méthodes sont proposées pour ajouter des contraintes mésosciences : comme un terme de régularisation des pertes ou la correction du taux d’apprentissage. L’interprétabilité physique du processus de formation de modèle est améliorée par MGDL car des conseils et des contraintes basés sur des principes physiques sont fournis.
Le MGDL a été évalué à l’aide d’un cas de modélisation en lit fluidisé bouillonnant et comparé aux techniques traditionnelles. Avec un ensemble de données de formation beaucoup plus petit, les résultats indiquent que la formation de modèles basée sur les contraintes mésosciences présente des avantages distincts en termes de stabilité de convergence et de précision de prédiction, et qu’elle peut être largement appliquée à diverses configurations de réseaux neuronaux.
MGDL, proposé par des chercheurs de l’IPE, CAS, est une nouvelle stratégie et méthode permettant d’utiliser les informations de base physiques lors de la formation de modèles d’apprentissage en profondeur. Avec l’étude de plus en plus approfondie et l’application généralisée de la mésoscience, le MGDL devrait être largement appliqué à la modélisation de systèmes complexes.
Fourni par l’ingénierie
