Dinamik Sistemlerde Etkin Kapanış Öğrenimi: Veri Asimile Edilmiş ve Gömülü Yaklaşımların Bir Karşılaştırması

Özetle: Artan bilgi işlem gücü, hesaplama bilimini dönüştürdü ve karmaşık sistemler için tahmin yeteneklerini geliştirdi, ancak birçok olay hâlâ mevcut simülasyon yeteneklerini aşıyor veya hızlı tasarım yinelemeleri için hızlı …

Özet

Artan bilgi işlem gücü, hesaplama bilimini dönüştürdü ve karmaşık sistemler için tahmin yeteneklerini geliştirdi, ancak birçok olay hâlâ mevcut simülasyon yeteneklerini aşıyor veya hızlı tasarım yinelemeleri için hızlı değerlendirmeler gerektiriyor. Kapanış modelleri, azaltılmış veya tamamlanmamış dinamik sistemlerdeki çözülmemiş etkileri yaklaşık olarak tahmin ederek bu zorluğun üstesinden gelir. Veriye dayalı kapanışlar, model doğruluğunu ve uygulanabilirliğini geliştirmek için esnek bir mekanizma sunar, ancak kapanışı inşaat ve eğitim aşamaları için hesaplamalı bir model içerisine yerleştiren yaklaşımlar, hesaplama açısından pahalı olabilir ve eğitim sırasında hesaplamalı modelde sayısal istikrarsızlıklara neden olabilir. Gömülü yaklaşımların ortaya çıkardığı zorluklardan kaçınmak için kapanış modeli öğrenimine yönelik aşamalı yaklaşımlar geliştirilmiştir. İlk aşama, gözlemlerden durum ve kapanış yörüngelerini çıkarmak için veri asimilasyonunu kullanır. İkinci aşamada, asimile edilmiş verileri kullanarak bir makine öğrenimi kapatma modelini çevrimdışı olarak eğitir, böylece eğitim sırasında tekrarlanan simülatör çağrılarından kaçınılır. Bu çalışmada, doğrusal olmayan duruma bağlı karantina kapatmaya sahip sentetik bir epidemiyolojik SIQR modeli için gömülü ve aşamalı veriye dayalı kapatma modelleme yaklaşımları arasındaki maliyet ve doğruluk dengelerini araştırıyoruz. Sonuçlar, pratik bir doğruluk-verimlilik değiş tokuşunu göstermektedir: bu örnek için, yerleşik eğitim en güçlü ortalama doğruluğu sağlarken, aşamalı yaklaşım, hatada orta düzeyde bir artış, önemli ölçüde daha az model değerlendirmesi ve gelişmiş optimizasyon sağlamlığı ile karşılaştırılabilir niteliksel davranış sağlar.

Orijinal Özet (İngilizce)

Increased computing power has transformed computational science and improved predictive capabilities for complex systems, but many phenomena still exceed current simulation capabilities or require rapid evaluations for fast design iterations. Closure models address this challenge by approximating unresolved effects in reduced or incomplete dynamical systems. Data-driven closures offer a flexible mechanism for improving model accuracy and applicability, but approaches that embed the closure within a computational model for construction and training phases can be computationally expensive and cause numerical instabilities in the computational model during training. To avoid the challenges posed by embedded approaches, staged approaches to closure-model learning have been developed. The first stage uses data assimilation to infer state and closure trajectories from observations. The second stage trains a machine learning closure model offline using the assimilated data, thereby avoiding repeated simulator calls during training. In this work, we investigate the cost and accuracy tradeoffs between embedded and staged data-driven closure modeling approaches for a synthetic epidemiological SIQR model with a nonlinear state-dependent quarantine closure. The results illustrate a practical accuracy-efficiency trade-off: for this exemplar, embedded training provides the strongest average accuracy, while the staged approach yields comparable qualitative behavior with a moderate increase in error, substantially fewer model evaluations, and improved optimization robustness.

Kaynak: arXiv:2611.03612 · PDF