مقاله یک چارچوب جدید برای تعمیم مدلهای فیزیک پنهان عمیق

چکیده

Modelling of systems where the full system information is unknown is an oft encountered problem for various engineering and industrial applications, as it’s either impossible to consider all the complex physics involved or simpler models are considered to keep within the limits of the available resources. Recent advances in greybox modelling like the deep hidden physics models address this space by combining data and physics. However, for most real-life applications, model generalizability is a key issue, as retraining a model for every small change in system inputs and parameters or modification in domain configuration can render the model economically unviable. In this work we present a novel enhancement to the idea of hidden physics models which can generalize for changes in system inputs, parameters and domains. We also show that this approach holds promise in system discovery as well and helps learn the hidden physics for the changed system inputs, parameters and domain configuration.

چکیده به فارسی (ترجمه ماشینی)

مدل سازی سیستم هایی که اطلاعات کامل سیستم ناشناخته است ، یک مشکل اغلب برای کاربردهای مختلف مهندسی و صنعتی روبرو است ، زیرا در نظر گرفتن تمام فیزیک های پیچیده درگیر یا مدل های ساده تر در نظر گرفته می شود که در محدوده منابع موجود نگه داشته می شوند.پیشرفت های اخیر در مدل سازی Greybox مانند مدلهای فیزیک پنهان عمیق با ترکیب داده ها و فیزیک این فضا را به این فضا می پردازد.با این حال ، برای اکثر برنامه های زندگی واقعی ، تعمیم مدل یک مسئله کلیدی است ، زیرا بازآفرینی یک مدل برای هر تغییر کوچک در ورودی ها و پارامترهای سیستم یا اصلاح در پیکربندی دامنه می تواند مدل را از نظر اقتصادی غیرقابل توصیف کند.در این کار ما یک پیشرفت جدید به ایده مدل های فیزیک پنهان ارائه می دهیم که می تواند برای تغییر در ورودی های سیستم ، پارامترها و دامنه ها تعمیم دهد.ما همچنین نشان می دهیم که این رویکرد در کشف سیستم نیز وعده داده شده است و به یادگیری فیزیک پنهان برای ورودی های سیستم تغییر یافته ، پارامترها و پیکربندی دامنه کمک می کند.